AIEd Bilgi TabanıAIEd KB
Bu sayfada

Bu sayfayı İngilizce okuyun

Kavramlar

Öğrenci Simülasyonu

Oluşturuldu 2026-10-14

Bu İngilizce sayfanın bir ana dili konuşanı tarafından gözden geçirilmemiş otomatik çevirisidir.

Öğrenci simülasyonu — eğitim araştırması, tasarımı ve eğitimi için LLM temelli ajanlar kullanarak öğrenen davranışını, bilişini ve toplumsal dinamikleri modellemek. Simüle edilmiş öğrenciler, araştırmacıların pedagojik yaklaşımları değerlendirmelerine, çeşitli öğrenen profilleri modellemelerine, eğitim YZ’sini konuşlandırmadan önce test etmelerine ve öğretmenleri eğitmelerine olanak tanır — gerçek öğrenenlerle sistematik biçimde yapılması zor, yavaş veya etik açıdan kısıtlı görevler.

Üzerinde düşünülmesi gereken sorular

  • Üzerinde öğretmenlik pratiği yapmak için bir YZ ‘öğrencisi’ kurmak zorunda olsaydınız, onu size inandırıcı kılacak şey ne olurdu — ve hep doğru yanıtı veren bir sistem neden gerçek bir öğrenenin zayıf bir temsilcisi olurdu?
  • Sayfa, yetkin bir YZ’nin kusursuz yanıtları ile gerçek bir öğrenenin kusurlu yanıtları arasındaki uyuşmazlığı ‘yetkinlik paradoksu’ olarak adlandırır. Bu gerilimi YZ ile kendi deneyiminizde nerede gördünüz ve simüle edilmiş bir öğrenciyi gerçekten gerçekçi kılmanın ne gerektirdiğini düşünüyorsunuz?
  • Bir özel ders sistemini veya müfredatı gerçek öğrenciler yerine simüle edilmiş öğrenciler üzerinde test etmeyi tercih etmenizin etik ve pratik nedenleri neler olabilir — ve bu ödünleşimin getirdiğinden şüphelendiğiniz geçerlilik riskleri nelerdir?
  • Bir simüle öğrenci, yüzeysel olarak insana benzemeden de ‘epistemik olarak sadık’ olabilir. Okumaya devam etmeden önce, inandırıcı bir yüzey ile bir öğrenenin gerçekten bildiğinin doğrucu bir modeli arasında nasıl bir ayrım hayal ediyorsunuz?
  • Simüle edilmiş öğrencilerle üretilmiş bir bulgunun, gerçek insanlara nasıl öğrettiğinizi değiştirecek kadar güvenilir olup olmadığına nasıl karar verirdiniz?

Giriş

Simüle edilmiş öğrenciler bir yöntemsel araçtır: insan öğrenci kohortları çekmeden özel ders sistemlerinin, müfredatların ve öğretim stratejilerinin değerlendirilebilip yinelenebilmesi için gerçek öğrenenlerin yerine geçen ajanlar. Büyük dil modelleri bu paradigmayı, kendilerinden önce gelen kural temelli simüle öğrencilere kıyasla çok daha ölçeklenebilir ve dilbilimsel açıdan gerçekçi kılmış, buna karşın yeni geçerlilik sorunları da getirmiştir.

YZ aracılı yaklaşımlar, sayfanın önemsediği soruyu keskinleştirir: simülasyonun kimi temsil ettiği ve öğretmenin neyi fark etmesinin amaçlandığı. Matematik öğretmen eğitiminde, prova için kullanılan metin temelli simüle öğrenci çalışmaları ve sohbet robotu eşleri, mesleki eğitimi çoktan örgütlemiş olan uygulama yaklaşımlarını genişletir. Bir sohbet robotu çalışması dört ayrı soru sorma profili üretti; öğretmen adaylarının öz değerlendirmeleri ise gözlemcilerin kaydettiği etkileşim kalitesiyle örtüşmedi; bu da soru sormayı ve keşfetmeyi artıran otomatik prova sonrası geri bildirimini yararlı ama yetersiz bir rehber yapmaktadır. Simülatör, aday ve geri bildirim birlikte okunmak zorundadır. Bir simülasyonun bir öğretmenin fark etmesine izin verdiği şey aynı zamanda tasarımıyla belirlenir: Galiç ve arkadaşlarının (2026) 17 öğretmen adayıyla yürüttüğü üç haftalık eşittir işareti müdahalesinde, adaylar sabit bir sıra üzerinden değil dikkat etme, yorumlama ve şekillendirme arasında hareket etti; ancak bire bir, metin temelli düzen nedeniyle şekillendirme soru sormaya ve istek metni yazmaya indirgendi ve yanlış kanı öncelikli bir tasarım dikkati öğrenen güçlü yönlerinden çok hata tespitine çekti. Simülatör, adayın provasını yaptığı öğretimin dilimini seçer.

Denetimli ince ayar tek başına bir simülatörü istenen yeteneğe ilişkin yalnızca zayıf biçimde koşullandırır, çünkü amacı yanıt metnini yeniden üretmeyi ödüllendirir, yanıt kalitesini yeteneğe bağlamaz; Fernandez ve ark. (2026) simülatörü bunun yerine öğrencilerin IRT yetenek boşluklarından oluşturulmuş çiftler üzerinde doğrudan tercih iyileştirmesiyle hizalar ve CodeWorkout’ta bu eşleştirme tüm doğrudan zorluk öngörme taban çizgilerini ve 1B ölçekte SMART simülatörünü her zorluk ölçütünde geçerken dağılımsal açıdan daha gerçekçi yanıtlar üretir.

Öğrenciler neden simüle edilir

  • Pedagojiyi değerlendirmek: öğretim yaklaşımlarını kontrollü, yinelenebilir biçimde çok sayıda öğrenen profili üzerinde test etmek.

  • Çeşitli öğrenenleri modellemek: gerçek bir kohortta bir araya getirilmesi zor olan bilişsel düzeyler, öğrenme biçimleri, ön bilgi ve YZ Hakkında Yanlış Kanılar farklılıklarını yakalamak.

  • Eğitim YZ’sini test etmek: özel ders ve Değerlendirme sistemlerini canlı konuşlandırmadan önce doğrulamak ve eğitim verisi üretmek.

  • Öğretmen eğitimi: öğretmenlere simüle edilmiş, çoğu zaman kusurlu öğrenenlerle özel ders ve sınıf yönetimi pratiği yaptırmak.

  • Simülasyonlar en kolay öğrencileri kapsar ve pek azı doğrulanmıştır. LLM öğrencilere özel ders veren on iki öğretmen, aşırı karmaşık dil, eksik duygu, doğal olmayan dikkatlilik ve bilgi sıçramaları bildirmiş; simülasyonlar gerçek öğrenci davranışının dört bölgesinden yalnızca birini temsil etmiştir — öğrenenleri simüle eden çalışmaların yalnızca %3’ü bunları kullanımdan sonra doğrular (Martynova ve ark. (2026)).

Temel zorluk: gerçekçi kusursuzluk

Öğrenci simülasyonunun tanımlayıcı güçlüğü, LLM’lerin doğru ve cilalı yanıtlar üreten “yardımcı asistanlar” olacak biçimde eğitilmiş olmasıdır. Oysa gerçek öğrenciler kusurludur — karakteristik hatalar yapar, yanlış kanılar taşır ve kademeli olarak öğrenir. Kusursuz (ya da fazla rastgele) yanıt veren bir simüle öğrenci, bir öğrenenin geçerli bir modeli değildir. Araştırma bunu yetkinlik paradoksu olarak çerçeveler: kısmen bilgili öğrenenleri taklit etmeye davet edilen genel olarak yetkin LLM’ler gerçekçi olmayan hata örüntüleri ve öğrenme dinamikleri üretir. Nguyen ve Cao (2026) bu kaymaya bir yön verir. 49 NGSS uyumlu fen dersinden çıkarılan derse gömülü öğrenci fikirleri karşısında altı model, fikirlerin çoğunu beklenen bilgi kapsamı içinde ve yaklaşık üçte ikisini hedef okuma düzeyinde ya da altında tutmuştur; ancak öğrenenin en genç olduğu yerde tam olarak aşım yapmıştır: ilkokul ve ortaokul fikirleri hedef sınıfın bilgi kapsamını ve okuma düzeyini daha sık aşmış, derlem ise bütün olarak ders fikirlerine kıyasla daha geniş akıl yürütmeye, daha teknik sözcük dağarcığına ve daha az belirsizlik belirtecine (“belki”, “öyle görünüyor”) yönelmiştir. Model seçimi de tek boyutlu değildir — ders fikirlerine yakın uyan bir sistem onları yine de sınıf düzeyinin üzerine çıkarabilir, bu nedenle onarım genellikle öğretimseldir; açık bir sınıf düzeyi yeniden istemi çoğu modeli tekrar aralığa çekmiştir. Bunu ele almak, simülasyonun gerçek bir epistemik durumu — öğrenenin ne bildiğini, hataların nasıl yapılandığını ve durumun nasıl evrimleştiğini — yansıtacak biçimde kısıtlanmasını gerektirir, modelin tüm yetkinliğini değil. Teknikler arasında Bilgi Grafiği veya Bilgi İzleme modellerine dayalı bilişsel prototipler, açık epistemik durum belirtimleri ve basit kişilik koşullu rol yapma yerine öğrenmenin durum geçiş modelleri sayılabilir.

Farklı bir kaldıraç bilgiyi kısıtlamak yerine çıkarır. Mistral-7B’de 16 hedefli bilgi bileşenini baskılamak, doğruluğu %10 unutma oranında yaklaşık 0,75’ten %40’ta 0,5’in altına düşürmüş, oysa temel model 0,85 civarında kalmıştır; baskılanan bilgi, denetimli yeniden öğrenme ve koç eşimli diyalog yoluyla geri kazanılabilir olduğunu göstermiştir (Song, Guo & Lin, 2026).

Kişilik kararlılığı bir model seçimi değil etkileşim tasarımı sorunudur: beş LLM’yi üç istek metni tasarımı ve dört ADHD şiddeti kişiliğiyle çaprazlayan çalışmada, göreve bağlı betikli etkileşimler gözlemci derecelendirmeli davranışsal kaymayı ortadan kaldırmış — betiksiz diyaloga kıyasla %97’ye kadar daha az — ve açık kişilik talimatları olmadan taban öğrenci temsili yüksek ADHD belirtilerine doğru eğilmiştir (Gonnermann-Müller, Haase & Leins (2026)).

Ters başarısızlık biçimi de görülür: kör bir çalışmada uzman belirteçleyiciler, LLM üretimi 196 Java gönderisinden 164’ünü (%83,7) insan yazımı olarak yanlış sınıflamıştır; dolayısıyla bir simülatörün hataları gerçek hatalardan işlevsel olarak ayırt edilemez olabilir — ancak gerçek hatalarla uyum, problem zorluğu arttıkça düşmüştür (Keramati ve ark. (2026)).

Üretimi öngörülmüş bir davranış modeline koşullamak ince ayar olmadan işler: eğitimsiz bir çerçeve her öğrencinin bilişsel prototipini bir Bilgi Grafiği kurar ve ışın arama adaylarını buna karşı puanlar; simülasyon doğruluğunda %100’lük bir iyileşme bildirir (Wu ve ark. (2025)). Kalitesi öğrencinin bilişsel düzeyiyle yükselir, dolayısıyla daha zayıf öğrenenler simüle edilmesi daha zor durum olmaya devam eder.

CogEvolution statik bir kişilik yerine bilişsel dinamikleri modeller — bir ICAP derinlik algılayıcısı her durum güncellemesinin büyüklüğünü belirler ve evrimsel bir güncelleme Yakın Gelişim Bölgesi yarıçapı içinde kalır — statik ajanların 0,45’e ulaştığı yerde R²LC = 0,92’ye ulaşır ve ICAP modülü olmadan 0,58’e çöker (Zhang ve ark. (2026)).

Yüzeysel gerçekçilik yerine sadakat

Geçerlilik merkezi kaygıdır: bir simüle öğrenci yalnızca, davranışı epistemik olarak sadık olduğunda — hedeflenen öğrenenin bilgi durumunu yansıttığında — değerlidir, yalnızca dilbilimsel olarak makul olduğunda değil. Araştırma, bir “simüle öğrencinin” taşıması amaçlanan yanlış kanıları sergilemek yerine basitçe özel ders aracıyla aynı fikirde olması durumu olan yağcılığa karşı uyarır. Bu, Güven Kalibrasyonu ve bir ajanın bir yapıyı gerçekten modellemesi mi yoksa yüzeysel davranışı yeniden üretmesi mi olduğunu değerlendirmenin daha geniş sorununa bağlanır.

Başarısızlık nicelendirilmiştir: 4B’den 120B’e parametreye yedi model üzerinde simülatörler, geri bildirim ne olursa olsun doğru yanıta hemen hemen tek düze oranlarda dönmüştür; dolayısıyla çıktı benzerliği, ardındaki inanç durumu hakkında hiçbir şey söylemez; buna karşın Seçici Dönüş Puanına karşı eğitim, sadakati +0,56’ya kadar yükseltmiştir (Do, Sonkar & Sachan (2026)).

Bilgi tabanıyla bağlantı

Öğrenci simülasyonu, Simülasyon, Öğrenen Modellemesi ve Uyarlanabilir Öğretim ve Bilgi İzleme kesişiminde yer alır. Eğitimde Üretici YZ’nin ayrı bir kullanımıdır (öğrencilere özel ders vermek yerine onları modellemek) ve Etkenik YZ çok ajanlı sistemlerinin bir uygulamasıdır. Akıllı Özel Öğretim, Uyarlanabilir Öğrenme, Kişiselleştirilmiş Öğrenme ve Öğretmenlik gelişimini destekler ve mesleki eğitim (örneğin Özel Eğitim ve tıp eğitimi bağlamları) için hasta simülasyonuyla örtüşür. Paradigma düzeyinde Zhang, Jiang ve Tang (2026), bunu değerlendirmenin ötesine taşır: konum belirten makaleleri, eğitim biliminin kuramı ile veri ve yöntem aygıtı arasında yapısal bir uyuşmazlık çektiğini savunur ve ajan temelli eğitim bilimini önerir; burada ajanlar öğrenenleri, öğretmenleri, ebeveynleri ve akranları modellerken, araştırma aracı olarak bireysel ajan değil simülasyon aygıtının kendisi hizmet eder; sınıflarda yürütülmesi yavaş, pahalı veya etik açıdan elverişsiz olan zaman içinde uzayan gelişimsel yörüngeler ve karşıolgusal tasarımlar üretir; ampirik veri ise kalibrasyon, doğrulama ve sınır koşulları olarak yeniden biçimlenir. Makale, bunların hiçbirine ilişkin ampirik bir doğrulama sunmaz: Öğrenen Gelişim Ajanları yalnızca kavramsal olarak belirtilmiştir ve yazarların kendi derlemesi, LLM’lerin bireyler arası değişkenliği hâlâ kaçırdığını ve üretken toplumsal simülasyonu doğrulamanın alanın çözülmemiş sorun olarak kaldığını kabul eder; dolayısıyla simülasyonun kanıt ve çoğaltma çalışmalarını nasıl değiştireceğine ilişkin iddia, gösterilmiş bir sonuç değil bir öneridir.

Aynı gruptan gelen ampirik bir eş çalışma: bir öğrenen gelişim ajanı, MAIC platformunda 42 gerçek öğrencinin ders sonrası bilişsel olmayan sonuçlarını öngörür ve beş boyutun tümünde ortalama ders öncesi taban çizgisini RMSE’de geçer (Jiang & Zhang, 2025). Hedefi davranış değil gelişimdir — ajanın durumu kendi sonraki eylemlerine beslenir — ve ajanlar üzerinde prototipleme yapmanın, öğrencileri bir çalışmanın en belirsiz evresinin dışında tuttuğu savunulur.

Öğrenen modelleme ile karşılaştırıldığında öğrenci simülasyonu

Temel ayrım, gerçek bir öğrenciyi temsil etmek ile sentetik bir öğrenci üretmek arasındadır. Öğrenen Modellemesi ve Uyarlanabilir Öğretim, gerçek bir öğrencinin — ne bildiğini, ne hissettiğini ve neye ihtiyaç duyduğunu — hesaplamalı bir temsilini kurma uygulamasıdır; böylece uyarlamalı sistemler öğretimi o öğrenen için kişiselleştirebilir. Öğrenci simülasyonu ise buna karşılık gerçek bir bireye hizmet etmek için değil, bir kohortun yerine geçmek üzere talep üzerine kurgusal öğrenenler yaratır; böylece pedagoji ve YZ sistemleri çevrimdışı test edilebilir.

İkisi tamamlayıcıdır, rekabetçi değil. Yüksek sadakatli bir simüle öğrenci tipik olarak bir öğrenci modelini (epistemik bir durum, bir yanlış kanı kümesi, bir katılım profili) içerir ve Öğrenen Modellemesi ve Uyarlanabilir Öğretim ile Bilgi İzleme modellerinin biçimselleştirdiği aynı yapılardan yararlanır. Paylaşılan geçerlilik sorunu ikisinde de aynıdır: temsil, sistemin varsayılan davranışı değil öğrenenin gerçek durumunu sadakatle yansıtmalıdır. Ancak amaç farklıdır — öğrenen modelleme üzerine eylemde bulunmak için gerçek bir öğrenciyi teşhis eder; simülasyon test etmek veya eğitmek için öğrenenler uydurur. Bu nedenle simüle öğrenci araştırması giderek daha fazla YZ’yi denetlemek için kullanılır (aşağıya bakın), öğrenen modelleme araştırması ise canlı Uyarlanabilir Öğrenme ve Kişiselleştirilmiş Öğrenme yönelik kalır.

İki eksenli sadakat: davranışsal uyum ve yönlendirme duyarlılığı

StudentSim (Yang ve ark., 2026), geçerlilik sorununu birlikte sağlanması gereken iki gereklilik olarak biçimselleştirir: davranışsal sadakat (F) — bir simülatörün bir öğrencinin kendi yanıtlarına ne kadar uyduğu — ve yönlendirme duyarlılığı (R) — özel ders aracının yönlendirdiği yere ne kadar güvenilir biçimde güncellendiği. Onun Karşılaştırma testi (Benchmark) aracı StudentSimEval, halka açık öğrenen derlemlerini (satranç, ikinci dil olarak İngilizce yazma, matematik) standart bir öğrenci başına protokole dökerek herhangi bir simülatörün uydurulup elde tutulan kayıtlarda puanlanmasını sağlar. Havuzdan özelleştirmeye iki aşamalı bir hattı (paylaşılan davranışsal örüntü havuzu artı öğrenci başına bir bağdaştırıcı), her iki eksende de güçlü bir simülatör ailesi üretir; alana özgü durum izleme (R’de zayıf) ve yalnızca istek metniyle LLM rol yapmasını (F’de zayıf) geride bırakır. Bu, alana simüle bir öğrenenin gerçekten yararlı olup olmadığına karar vermek için somut, iki eksenli bir sözcük dağarcığı verir — ve bir kavram kanıtı olarak, satranç özel ders aracı bir Pekiştirmeli Öğrenme döngüsünde ödül olarak kullanılan dondurulmuş bir StudentSim, ön uç LLM simülatörü ödülüyle veya hiç RL olmadan eğitilmiş olanlardan uzmanların daha doğru, daha iyi yönlendirilmiş ve daha kişiselleştirilmiş olarak derecelendirdiği özel ders aracı üretmiştir.

Öğrenci simülatörleri gözlemlenebilir eylemleri ama ardındaki gizli akıl yürütmeyi yeniden üretmez. INSIDE, modelleri her eylemden önce içsel bir diyalog üretecek biçimde ince ayarlar; eylem sadakatinden ödün vermeden üretilen akıl yürütme ile gerçek kod düzenlemeleri arasında en yüksek uyuma ulaşır (tanıdık problemlerde %51,8, görülmemişlerde %57,9) (Niousha ve ark. (2026)).

Tanımlayan, simüle etmeyen: tek bir ajan simüle bir kohortu geçtiğinde

Yinelenen bir soru, öğrenenlerin dağılımını simüle etmenin gerçek öğrencilerin nasıl gideceğini öngörmenin en iyi yolu olup olmadığıdır. Wang, Mitchell & Piech (2025) çarpıcı bir karşıt sonuç sunar: öğrenciler angaje olmadan önce çevrimiçi bir öğrenme deneyimini değerlendirmek — terkini ve tamamlanmayı öngörmek ve tasarıma geri bildirim vermek — için dersi özerk biçimde dolaşıp öğrenci deneyiminin zengin bir tanımını üreten tek bir “tanımlayan” web ajanı, öğrencilerin bir popülasyonunu doğrudan simüle eden sistemden daha iyi performans göstermiştir. Onların simüle öğrencileri (öngörülen tamamlanma oranına uyacak biçimde örneklenen kişilik koşullu ajanlar) gerçek öğrencilerden çok daha az davranış aralığı sergilemiştir — beş test dersi üzerinde 100 ajan arasında gerçek öğrencilerin izlediği yolların yalnızca yaklaşık %4’ünü yeniden üretmişlerdir — ve ders zorluğuna ilişkin azımsanmayacak içgörü sunmamış, ayrıca hesaplama açısından belirgin biçimde daha pahalı olmuşlardır. Tek hatlı “tanımla-sonra öngör” hattı (ajan üretimi tanımların bir Büyük Dil Modelleri (LLM)’ye beslenerek sonuçları öngörülmesi), devasa küresel bir CS1 dersinde en iyi terk dağılımı öngörüsüne ulaşmıştır (ortalama JSD 0,060, tüm taban çizgilerini geçerek). Bu, alan için verimli bir sınır sonucudur: hedef sonuç öngörüsü veya tasarım eleştirisi olduğunda öğrencilerin bir dağılımını simüle etmek gereksiz — hatta karşıtlı — olabilir, çünkü deneyimin sadık bir tanımı, simüle yörüngelerin dar bir diliminden daha fazla sinyal taşır. Bu aynı zamanda simülasyonun rolünün, gerçek öğrenen çeşitliliğini kapsamanın toplam sonuç öngörüsünden daha önemli olduğu sorulara (örneğin bir YZ’nin çeşitli profillere davranışını denetlemek veya öğretmenleri eğitmek) sınırlı olabileceğini de düşündürür.

Özgün veriye dayalı öğrenci modelleri ve etkileşimli uygulama

2026’nın iki ipliği simülasyonun pratik değerini keskinleştirir. Birincisi, özgün veriye dayalı öğrenci modelleri — TeachLM, bir öğrenci modelini 100.000 saatlik gerçek bire bir özel ders aracı–öğrenci etkileşimi üzerinde (özenli anonimleştirmeyle) eğitir; özel ders aracı davranışının hızlı, ölçeklenebilir ve çoğaltılabilir çok turlu değerlendirmesini mümkün kılan sentetik öğrenenler üretir; bu, yalnızca istek metniyle tasarlanmış öğrenci simülatörlerinin düşük özgünlüğü ve çeşitliliği sorununu giderir. İkincisi, etkileşimli öğretimsimülasyonu — EducaSim, öğretmen adayları için küçük grup bir bölümünü simüle etmek amacıyla üretken ajanlar (kişilikler, derse dayalı bellekler ve özel ders aracı-hakem konuşma kehanetiyle) kullanır; çalıştırılabilir kod ve ses etkileşiminin yanı sıra yapılandırılmış oturum sonrası geri bildirim ve öz yansıtma ekler ve devasa çevrimiçi dersler ölçeğinde düşük maliyetli, olumlu benimsemeli deneyimsel öğretim pratiği gösterir. İkisi de simülasyonun yalnızca değerlendirmeye değil uygulamalı öğretmen hazırlığına hizmet ettiğini gösterir.

Üçüncü bir 2026 ipliği, bir simülatörün ne için kullanıldığından çok nasıl kurulduğuyla ilgilidir ve tek bir sonuçta birleşir: istek metni yazmak, eğitimin kaldırdığı bir tavan belirler. SWIM (Do, Kontak ve Sachan, 2026), öğrenci yazma simülasyonunu yetkinlik koşullu makale üretimi olarak yeniden formüle eder ve puanlama anahtarına dayalı istek metni yazmayı, gerçek puan-makale çiftleri üzerinde denetimli ince ayarı ve bir Otomatik Kompozisyon Puanlama türetilen Yetkinlik Uyum Ödülüyle GRPO’yu karşılaştırır; her üretilen makaleyi hedef nitelik profiline göre Kare Ağırlıklı Kappa ile puanlar. İstem yazmak, güçlü tescilli modellere bile sınırlı denetim sağlamıştır (Claude Sonnet için en iyi ortalama nitelik QWK 0,577, GPT-5.4 için 0,422, açık bir 7B modelini istemlemekte neredeyse sıfır), içerik yönelmiş nitelikleri biçimden çok daha iyi hizalamıştır (0,695 / 0,458) ve gerçek öğrencilere göre ortalama normalleştirilmiş Genel puanı 0,58’e karşılık 0,74 olan, ortalama uzunluğu 167 sözcüğe karşılık 304 sözcük olan idealize edilmiş yüksek yetkinlikli bir popülasyon üretmiştir. Denetimli ince ayar bir 7B modelini 0,474 ± 0,023’e, GRPO ise 0,618 ± 0,005’e taşımıştır; kazanımlar, politikanın hiç eğitilmediği iki bağımsız puanlayıcıda da sürmüş ve eğitilmiş modeller hiçbir uzunluk denetimi olmadan insan puan ve uzunluk dağılımlarını geri kazanmıştır; özgün düşük yetkinlikli biçim en zor olan olmuştur, çünkü eğitilmiş modeller sözdizimini geri kazanmış ama çok az yazım ve dilbilgisi hatası yazmış, istemlemek ise zayıflığı başta yüzeysel bozulmayla simüle etmiştir. Aynı ders, Liu ve ark. (2026) çalışmasında ters yönden gelir: cebir yanlış kanılarını taşımaları için üç küçük modeli talimatla ince ayarlayan bu çalışmada, sonucu veri bileşimi belirlemiştir; çünkü tek bir yanlış kanı aşırı genelleme yapmış ve doğru örnekler karıştırılana kadar doğru çözmeyi bozmuş, birkaç yanlış kanı ortaklaşa maliyetsiz biçimde eğitilebilmiş ve hiçbir yanlış kanı yalnızca son cevapla denetimden kazanılmamıştır.

Dokuz simülasyon yöntemini, elde tutulan 382 matematik diyaloğunda yedi referansa dayalı ölçüte göre kıyaslayan çalışmada, istemleme ince ayarın gerisinde kalmıştır: diyalog eylemlerinde (0,4998 / 0,6840), ROUGE-L’de (0,1648 / 0,3212) ve kosinüs benzerliğinde (0,5460 / 0,7390) (Scarlatos ve ark. 2026). Ancak test edilen en iyi yöntem olan 8B model üzerinde tercih iyileştirmesi, denetimli ince ayarı yalnızca küçük bir farkla geçmiş ve hatalarda daha kötü olmuştur; üç özel ders aracılı insan değerlendirmesi bu sıralamayı çoğaltmıştır.

Mimari, istek yazmanın yapamadığını dayatarak gerçekleştirebilir: öz düzenlemeli öğrenme yapısını yarı Markov denetleyicisi ve hata enjekte eden bilgi izlemeyle dayatan nöro-sembolik bir simülatör, 0,53’lük bir taban çizgisine karşılık 0,31 davranışsal ayrışma elde etmiştir (Wang ve ark. (2026)). Üstbilişsel sözcük dağarcığını taban çizgilerine enjekte etmek hiçbir zaman 0,63’ü geçmemiş, sembolik denetleyiciyi kaldırmak ayrışmayı 6,81’e çıkarmış ve 71 derecelendiricili bir Turing testinde izleri gerçek öğrencilerden ayırt edilemez olmuştur (%52,8, d′ = 0,15).

YZ’yi simüle öğrencilerle denetlemek

Pedagojiyi değerlendirmenin ötesinde, simüle öğrenciler YZ sistemlerini denetlemek için bir test koşumu olarak hizmet eder — bir YZ’nin gerçek öğrencilere dokunmadan önce çeşitli öğrenen profillerinde nasıl davrandığını yoklamanın kontrollü bir yolu. López-Pernas ve ark. (2026) bunu gösterir: mevcut büyük dil modellerinin normatif Öğrenme Analitiği önerenleri olarak hareket edip edemediğini denetlemek için üç LLM ile 4.500 sentetik öğrenci vinjeti üretmişler; öğrenci ihtiyacına ilişkin sınırlı duyarlılık ve keskin çapraz model tutarsızlık bulmuşlardır. Simüle kohortları, bir YZ’nin önerilerini zorlamak altında test etmek (yalnızca özel ders araçlarını eğitmek veya değerlendirmek yerine) paradigmaya yönelik artan bir roldür ve Eğitimde YZ değerlendirmesi ile, denetim çeşitli öğrenen tiplerinde farklı muameleyi gün yüzüne çıkarmayı amaçladığında Eşitlik ile yakından bağlantılıdır.

Simülasyon, öğrenenin seçimlerini de önceden test edebilir: Noh ve ark. (2026), iki gerçek özel ders veri kümesine Toplamsal Faktörler Modeli ve Bayesian Bilgi İzleme uydurmuş ve 1.000 simüle öğrenenin sekiz strateji altında beceriler seçmesine izin vermiştir; riskten kaçınan bir kural diğerlerinin yaklaşık otuz katı fazla uygulama üretmiş ve ustalığın hemen altındaki bir kısıt bunu 1,8×’e düşürmüştür.

İkinci bir denetim kaydı üstbilişsel ve duygusaldır. MEDS (Esposito ve ark. 2026), 14 model için her biri 2.000 sentetik kişilik olmak üzere 28.000 kayıtlık bir veri kümesidir — her biri hem bir insan kişiliği olarak hem de bir taban çizgisi yardımcısı olarak çalıştırılmıştır — ve yerine geçtiği öğrenenlerin bildireceği Öz Yeterlilik ile matematik kaygısı puanlarının yanı sıra 18 lise matematik probleminde doğruluğu, öz bildirimli güveni kaydeder. Denetim sinyali kalibrasyon boşluğudur: Qwen ailesi ve Ministral 3B, doğruluk 0,55 civarında durağarken 0,90’ın üzerinde güven iddia etmiştir; Grok 4.1 Fast, DeepSeek Chat ve birkaç Mistral Small varyantı ise aşırı güvensizdi, Ministral 14B ve Anita 24B makul biçimde hizalandı. Aynı çalıştırmalar sadakatin daha sessiz bir başarısızlığını da gün yüzüne çıkarır: insan kipindeki kişilikler geniş, makul puan dağılımları vermiş, taban çizgisi yardımcıları ise neredeyse özdeş, güvenli, düşük kaygılı yanıtlar döndürmüştür — bir simüle öğreneninkinden çok varsayılan bir öz portre. Bu, yukarıdaki öneren denetimini, bir modelin kendi yetkinliği ve duygusu hakkında ne iddia ettiğini yoklayarak genişletir ve sayfanın geçerlilik uyarısını beklenmedik bir yönden keskinleştirir: MEDS kişilikleri yapılandırma gereği ağırlıklandırıldığından, gerçek bir popülasyondan örneklenmediğinden, yazarlar veri kümesini istek metni koşullu üretken YZ davranışını denetlemeye yönelik gözlemsel bir kaynak olarak, gerçek öğrenci verisi yerine geçen bir kaynak olarak kesinlikle sunmazlar.

İşbirlikçi ve toplumsal dinamikleri simüle etmek

Simülasyon aynı zamanda bireysel öğrenenlerin ötesine geçerek işbirlikçi öğrenmenin toplumsal dinamiklerini yeniden üretir. Katılımcıya özgü LLM ajanları — Fang (2026), işbirlikçi problem çözme simülasyonlarında her katılımcıyı temsil etmek üzere LLaMA 3.2-3B ajanlarını bireysel katılımcıların diyalog verisi üzerinde ince ayarlamıştır; hem yerel sıra alışverişini hem tematik sürekliliği korumak için kayan pencere belleğini özetlenmiş bellek gömmeleriyle birleştirir ve konuşmacıları ile tematik kodları ampirik dağılımlardan olasılıksal biçimde seçer. Epistemik Ağ Analizi (ENA) kullanarak simüle diyalogların gerçek diyaloglardan istatistiksel olarak ayırt edilemez olduğu bulunmuştur (ENA uzaklığı 0,17, 95’inci yüzdelik boş eşiğin oldukça içinde; permütasyon p = 0,65); bu, LLM ajanlarının gerçek işbirlikçi problem çözmenin hem sıra alışverişi dinamiklerini hem tematik kod yörüngelerini yeniden üretebileceğini doğrular.

2026 kalıcı beceriler çalışması simülasyonun olağan yönünü ters çevirir. Öğrenciyi bir sistemi denetlemek için simüle etmek yerine, sistem öğrenciyi değerlendirmek için takım arkadaşlarını simüle eder: bir Yönetici LLM, 30 dakikalık bir grup görevinde her YZ eşinin turlarını üretir, puanlama anahtarını tutar ve hedef becerinin ortaya çıkması için fırsatlar üretmek üzere konuşmayı yönlendirir (Globerson ve ark. (2026)). 188 katılımcıdan çıkan 373 konuşma üzerinde beceri eşlemeli yönlendirme, derecelendirilebilir kanıtı proje yönetiminde %92,4’e ve çatışma çözümünde %85’e yükseltmiştir; bu, kısıtlanmamış bağımsız ajanlara göre belirgin biçimde yüksektir — oysa YZ değerlendiricisi, kendi değerlendiriciler arası Kappa’sı yalnızca 0,45–0,64 olan iki insan derecelendiriciye karşı kalibre edilmiştir; bu, bir simülatörün tavanının insanların yapı üzerinde varabileceği uzlaşıyla belirlendiğine dair yararlı bir hatırlatmadır.

Bir simülatöre karşı eğitim aynı zamanda taşınabilir: TutorLoop’un pekiştirmeli öğrenme aracısı, çevrimdışı olarak simüle bir öğrenciye karşı eğitilmiş ve hiç yeniden eğitim olmadan yeni bir gerçek öğrenme görevine değişmeden aktarılmıştır (N = 187); burada seyrek ama daha iyi zamanlanmış geri bildirimi, daha yoğun geri bildirimden daha iyi performans göstermiştir (Xu & Zhang, 2026).

Bağlı kavramlar

Bağlı makaleler

Bağlı SSS

Üst veri

Hedef kitleInstructors
Teknolojiler ve tekniklerBilişsel Tanılama, Üretici YZ, Akıllı Özel Öğretim, Bilgi İzleme, Büyük Dil Modelleri (LLM), Pedagojik Ajan, Simülasyon, Öğrenen Modellemesi ve Uyarlanabilir Öğretim
Eğitimde YZ’nin temelleriEtkenik YZ, Öğretmenlik
SourceHistoryEditChat

Bu sayfayı göm

Bu sayfayı bir öğrenme yönetim sistemine veya başka bir web sitesine gömmek için aşağıdaki kodu kopyalayın. Gömülü sürüm yalnızca sayfa içeriğini gösterir — site başlığını, gezintiyi ve alt bilgiyi gizler.