База знань AIEdAIEd KB
На цій сторінці

Ця сторінка перекладена українською. Сторінки статей досі написані англійською. Читати цю сторінку англійською

Концепції

Симуляція студентів

Створено 2026-10-13

Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.

Симуляція студентів — використання агентів на основі LLM для моделювання поведінки, когніції та соціальної динаміки здобувачів з метою освітніх досліджень, проєктування та навчання. Симульовані студенти дозволяють дослідникам оцінювати педагогічні підходи, моделювати різноманітні профілі здобувачів, тестувати освітній ШІ до розгортання та тренувати викладачів — завдання, які важко, повільно або етично обмежено виконувати систематично з реальними здобувачами.

Питання для роздумів

  • Якби вам довелося побудувати ШІ-«студента», щоб практикувати на ньому викладання, що зробило б його для вас переконливим — і чому система, яка завжди дає правильну відповідь, може бути поганою заміною реального здобувача?
  • Сторінка називає розбіжність між бездоганними відповідями спроможного ШІ та недосконалими відповідями реального студента «парадоксом компетентності». Де ви бачили цю напругу у власному досвіді зі ШІ, і що, на вашу думку, потрібно, щоб зробити симульованого здобувача справді реалістичним?
  • Які етичні та практичні причини могли б змусити вас віддати перевагу тестуванню системи репетиторства або навчального плану на симульованих студентах, а не на реальних — і якими ризиками валідності, на ваш погляд, супроводжується ця угода?
  • Симульований студент може бути «епістемічно вірним», не будучи поверхнево схожим на людину. Перш ніж читати далі, яке розрізнення ви уявляєте між правдоподібною поверхнею та правдивою моделлю того, що здобувач справді знає?
  • Як би ви вирішували, чи достатньо можна довіряти результату, отриманому на симульованих студентах, щоб змінити спосіб вашого викладання реальних людей?

Вступ

Симульовані студенти — це методичний інструмент: агенти, які стоять замість реальних здобувачів, щоб системи репетиторства, навчальні плани та стратегії викладання можна було оцінювати та ітерувати без набору когорт живих студентів. Великі мовні моделі зробили цю парадигму значно масштабованішою та лінгвістично реалістичнішою, ніж правила-базовані симульовані здобувачі, що їм передували, водночас внісши нові виклики валідності.

Опосередковані ШІ апроксимації загострюють питання, яке хвилює цю сторінку: кого представляє симуляція і що має помічати викладач. У математичній освіті викладачів текстові зразки робіт симульованих студентів і партнери-чат-боти, що використовуються в репетиції, розширюють апроксимації практики, які вже організовують професійну підготовку. Одне дослідження чат-бота дало чотири різні профілі ставляння запитань, проте самооцінки майбутніх викладачів не узгоджувалися з якістю взаємодії, зафіксованою спостерігачами, що робить автоматизований зворотний зв’язок після репетиції, який збільшував зондувальні та дослідницькі запитання, корисним, але недостатнім керівництвом. Симулятор, кандидат і зворотний зв’язок мають читатися разом. Те, що симуляція дозволяє помітити викладачеві, також задається її проєктуванням: у тритижневій інтервенції з рівняння Galiç et al. (2026) з 17 майбутніми викладачами математики кандидати переміщалися між помічанням, інтерпретуванням та формуванням, а не через фіксовану послідовність, але налаштування один-на-один на текстовій основі означало, що формування зливалися зі ставлянням запитань і промптингом, а дизайн із пріоритетом хибного уявлення перетягував увагу до виявлення помилок, а не до сильних сторін студента. Симулятор обирає зріз викладання, який кандидат має змогу відрепетирувати.

Одне лише наглядне донавчання умовлює симулятор слабко на задану здатність, оскільки його ціль винагороджує відтворення тексту відповіді, а не пов’язування якості відповіді зі здатністю; Fernandez et al. (2026) узгоджують симулятор натомість через пряму оптимізацію вподобань над парами, утвореними з розривів IRT-здатності студентів, і на CodeWorkout таке парування перевершує всі базові лінії прямого прогнозування складності та, на масштабі 1B, симулятор SMART за кожною метрикою складності, водночас даючи більш реалістичні за розподілом відповіді.

Чому варто симулювати студентів

  • Оцінювання педагогіки: тестування підходів до викладання на багатьох профілях здобувачів контрольованим, відтворюваним способом.

  • Моделювання різноманітних здобувачів: фіксування варіації в когнітивних рівнях, стилях навчання, попередніх знаннях та Хибні уявлення про AI, яку важко зібрати в реальній когорті.

  • Тестування освітнього ШІ: валідація систем репетиторства та Оцінювання перед живим розгортанням і генерація навчальних даних.

  • Навчання викладачів: дозволяючи викладачам практикувати репетиторство та керування аудиторією з симульованими, часто недосконалими, здобувачами.

  • Симуляції охоплюють найлегших студентів, і мало які з них валідовано. Дванадцять викладачів, які репетиторствували зі студентами LLM, повідомили про надто складну мову, відсутність емоцій, неприродну уважність і стрибки в знаннях, і симуляції представляли лише один із чотирьох квадрантів реальної поведінки студентів — тоді як лише 3% досліджень, що симулюють здобувачів, валідують їх після використання (Martynova et al. (2026)).

Ключовий виклик: реалістична недосконалість

Визначальна труднощість симуляції студентів у тому, що LLM натреновані бути «корисними асистентами», які дають правильні, відполіровані відповіді. Проте реальні студенти є недосконалими — вони роблять характерні помилки, мають хибні уявлення й навчаються поступово. Симульований студент, який відповідає бездоганно (або надто випадково), не є валідною моделлю здобувача. Дослідження обрамовують це як парадокс компетентності: широко спроможні LLM, яким доручають емулювати частково обізнаних здобувачів, дають нереалістичні патерни помилок і динаміку навчання. Nguyen and Cao (2026) дають цьому дрейфу напрямок. Проти вбудованих у урок ідей студентів, узятих із 49 наукових уроків, узгоджених зі стандартами NGSS, шість моделей утримували більшість ідей у межах очікуваної області знань і приблизно дві третини — на рівні або нижче цільового рівня читання, але перестрибували саме там, де здобувач був наймолодшим: ідеї для початкової та середньої школи частіше перевищували область знань цільового класу та рівень читання, тоді як корпус у цілому схилявся до ширшого мислення, більш технічної лексики та меншої кількості маркерів невизначеності («можливо», «здається»), ніж ідеї з уроків. Вибір моделі теж не одновимірний — система, яка точно узгоджується з ідеями уроків, може все одно подавати їх вище за клас, тому виправлення зазвичай є інструкційним, оскільки явне переформулювання запиту на рівень класу повернуло більшість моделей у межу. Подолання цього вимагає обмеження симуляції так, щоб вона відбивала справжній епістемічний стан — що знає здобувач, як структуровані помилки і як стан розвивається — а не повну компетентність моделі. Методи включають когнітивні прототипи, засновані в моделях Граф знань або Відстеження знань, явні специфікації епістемічного стану та моделі переходів станів навчання, а не просту рольову гру, умовлену персоною.

Інший важіль прибирає знання, а не обмежує результат. Придушення 16 цільових компонентів знань у Mistral-7B знизило точність із приблизно 0,75 при 10% коефіцієнта забування до нижче 0,5 при 40%, тоді як базова модель трималася біля 0,85, і придушені знання виявилися відновлюваними через наглядне перенавчання та діалог із коучем (Song, Guo & Lin, 2026)).

Стабільність персони є проблемою проєктування взаємодії, а не вибору моделі: перехрещуючи п’ять LLM з трьома дизайнами підказок і чотирма персонами інтенсивності ADHD, сценарні взаємодії, прив’язані до завдання, усунули оцінюваний спостерігачами поведінковий дрейф — до 97% менше, ніж нескриптований діалог — і без явних інструкцій персони базова репрезентація студента перекосилася в бік високих симптомів ADHD (Gonnermann-Müller, Haase & Leins (2026)).

Протилежна відмова також трапляється: у сліпому дослідженні експертні анотатори невірно класифікували 164 із 196 (83,7%) згенерованих LLM здач Java як написані людиною, тому помилки симулятора можуть бути функціонально нерозрізненними з автентичними — хоч узгодженість із реальними помилками падала зі зростанням складності завдання (Keramati et al. (2026)).

Умовлювання генерації на прогнозованій моделі поведінки працює без донавчання: фреймворк без навчання будує когнітивний прототип кожного студента з Граф знань і оцінює кандидатів пучкового пошуку проти нього, повідомляючи про 100-відсоткове покращення точності симуляції (Wu et al. (2025)). Його якість зростає з когнітивним рівнем студента, тому слабші здобувачі залишаються важчим випадком для симуляції.

CogEvolution моделює когнітивну динаміку, а не статичну персону — перцептрон глибини ICAP задає розмір кожного оновлення стану, а еволюційне оновлення залишається в радіусі зони найближчого розвитку — досягаючи R²LC = 0,92, тоді як статичні агенти доходять до 0,45, і обвалюючись до 0,58 без модуля ICAP (Zhang et al. (2026)).

Вірність понад поверхневою реалістичністю

Валідність є центральним занепокоєнням: симульований студент корисний лише тоді, коли його поведінка є епістемічно вірною — відбиває намічений стан знань здобувача — а не лише лінгвістично правдоподібною. Дослідження застерігають від сикофантства, коли «симульований студент» просто погоджується з тьютором, замість того щоб демонструвати хибні уявлення, які він мав втілювати. Це пов’язується з Калібрування довіри та з ширшою проблемою оцінювання того, чи агент справді моделює конструкт, а не відтворює поверхневу поведінку.

Відмова вимірювана: на семи моделях від 4B до 120B параметрів симулятори перекидалися на правильну відповідь при майже однакових частках залежно від зворотного зв’язку, тому схожість результатів нічого не говорить про стан вірування за ним, тоді як навчання проти метрики Selective Flip Score підвищило вірність до +0,56 (Do, Sonkar & Sachan (2026)).

Зв’язок із базою знань

Симуляція студентів стоїть на перетині Симуляція, Моделювання здобувача та адаптивне навчання та Відстеження знань. Це відмінне застосування Генеративний ШІ в освіті (моделювання здобувачів, а не репетиторство для них) та застосування мультиагентних систем Агентний ШІ. Вона підтримує Інтелектуальний тьюторінг, Адаптивне навчання, Персоналізоване навчання та розвиток Викладання, і перекривається з симуляцією пацієнтів для професійної підготовки (наприклад, у контекстах Спеціальна освіта та медичної освіти). На рівні парадигми Zhang, Jiang and Tang (2026) розширюють це за межі оцінювання: їхня позиційна стаття стверджує, що освітня наука страждає від структурної розбіжності між своєю теорією та своїм апаратом даних і методів, і пропонує агентно-базовану освітню науку, в якій агенти моделюють здобувачів, викладачів, батьків та однокурсників, тоді як сам апарат симуляції — а не індивідуальний агент — слугує дослідницьким інструментом, генеруючи тимчасово розтягнуті траєкторії розвитку та контрольфактичні дизайни, які повільно, дорого або етично неможливо запустити в аудиторіях, із переосмисленням емпіричних даних як калібрування, валідації та граничних умов. Стаття не повідомляє жодної емпіричної валідації цього: агенти розвитку студентів специфіковані лише концептуально, і власний огляд авторів визнає, що LLM усе ще не вловлюють міжіндивідуальну варіативність і що валідація генеративної соціальної симуляції залишається нерозв’язним викликом поля, тому твердження, що симуляція змінила б спосіб роботи доказів і реплікації, є пропозицією, а не продемонстрованим результатом.

Емпіричний супутник надходить від тієї ж групи: агент розвитку студента прогнозує постумових некогнітивних результатів 42 реальних студентів на платформі MAIC, перевершуючи базову лінію середнього доумового значення за RMSE в усіх п’яти вимірах (Jiang & Zhang, 2025)). Його мішень — розвиток, а не поведінка — стан агента живить його наступні дії — і прототипування на агентах, як стверджується, тримає студентів поза найбільш невизначеним етапом дослідження.

Симуляція студентів проти моделювання студентів

Ключове розрізнення — між репрезентацією реального здобувача та генерацією синтетичного здобувача. Моделювання здобувача та адаптивне навчання — це практика побудови обчислюваної репрезентації фактичного студента — що він знає, почуває і в чому потребує — щоб адаптивні системи могли персоналізувати викладання для цього здобувача. Симуляція студентів, навпаки, створює вигаданих здобувачів на вимогу, не для обслуговування реального індивіда, а щоб стояти замість когорти, щоб педагогіку та системи ШІ можна було тестувати офлайн.

Дві є взаємодоповнюючими, а не конкуруючими. Високовірний симульований студент зазвичай містить модель студента (епістемічний стан, набір хибних уявлень, профіль залученості) і спирається на ті ж конструкти, які формалізують Моделювання здобувача та адаптивне навчання та Відстеження знань. Спільний виклик валідності той самий в обох: репрезентація має вірно відбивати справжній стан здобувача, а не типову поведінку системи. Але мета відрізняється — моделювання студентів діагностує реального здобувача, щоб діяти на нього; симуляція фабрикує здобувачів, щоб тестувати або тренувати. Ось чому дослідження симульованих студентів дедалі частіше використовується для аудиту ШІ (див. нижче), тоді як дослідження моделювання студентів залишаються орієнтованими на живе Адаптивне навчання та Персоналізоване навчання.

Двовісна вірність: поведінкове узгодження та чутливість до керівництва

StudentSim (Yang et al., 2026) формалізує проблему валідності як дві вимоги, які мають виконуватися разом: поведінкова вірність (F) — наскільки добре симулятор узгоджується з власними відповідями студента — та чутливість до керівництва (R) — наскільки надійно він оновлюється в бік того, куди веде керівництво тьютора. Його Бенчмарк, StudentSimEval, переливає публічні корпуси здобувачів (шахи, письмо англійською як другою мовою, математика) в стандартизований протокол для кожного студента, на якому будь-який симулятор підганяється та оцінюється на відкладених записах. Двоступеневий конвеєр зведено-потім-спеціалізовано (спільний пул поведінкових патернів плюс адаптер для кожного студента) дає родину симуляторів, сильних на обох осях, перевершуючи відстеження стану, специфічне для домену (слабке за R), та рольову гру LLM лише на підказках (слабку за F). Це дає полю конкретну, двовісну лексику для судження про те, чи симульований здобувач справді корисний, а не лише правдоподібний — і, як доказ концепції, заморожений StudentSim, використаний як винагорода в петлі Підсилене навчання тьютора шахів, дав тьюторів, яких експерти оцінили як точніших, краще керованих та персоналізованіших, ніж натренованих з винагородою симулятора на фронтьовій LLM або без RL взагалі.

Симулятори студентів відтворюють спостережувані дії, але не латентне мислення за ними. INSIDE донавчує моделі генерувати внутрішній діалог перед кожною дією, досягаючи найвищої узгодженості між згенерованим мисленням та реальними правками коду (51,8% на знайомих завданнях, 57,9% на небачених) без втрати вірності дій (Niousha et al., 2026)).

Описування, а не симуляція: коли єдиний агент перевершує симульовану когорту

Повторюваним питанням є те, чи симуляція розподілу здобувачів є найкращим способом прогнозувати, як справитися реальні студенти. Wang, Mitchell & Piech (2025) дають разючий контррезультат: для оцінювання онлайн-навчального досвіду перед тим, як до нього долучаться студенти — прогнозування відпадання та завершення та давання зворотного зв’язку щодо проєктування — єдиний веб-агент, що «описує», який автономно проходить через урок і дає багатий опис студентського досвіду, перевершив пряму симуляцію популяції студентів. Їхні симульовані студенти (умовлені персоною агенти, вибрані для узгодження з прогнозованою часткою завершення) демонстрували набагато менший поведінковий діапазон, ніж реальні здобувачі — на 100 агентах і п’ятьох тестових уроках вони відтворили лише близько 4% шляхів, яких робили реальні студенти — і давали мало прозріння щодо складності уроку, при цьому будучи суттєво дорожчими обчислювально. Конвеєр «опиши-потім-прогнозуй» (згенеровані агентом описи, подані Великі мовні моделі (LLM) для прогнозування результатів) досяг найкращого прогнозування розподілу відпадання на масивному глобальному курсі CS1 (середній JSD 0,060, перевершуючи кожну базову лінію). Це продуктивний граничний результат для поля: симуляція розподілу студентів може бути непотрібною — і навіть контрпродуктивною — коли метою є прогнозування результату чи критика проєктування, оскільки вірний опис досвіду несе більше сигналу, ніж вузький зріз симульованих траєкторій. Це також натякає, що роль симуляції може бути обмежена питаннями (наприклад, аудит поводження ШІ з різноманітними профілями або навчання викладачів), де покриття справжньої варіації здобувачів важливіше, ніш зведене прогнозування результату.

Моделі студентів на автентичних даних та інтерактивна практика

Дві нитки 2026 року загострюють практичну цінність симуляції. По-перше, моделі студентів на автентичних даних — TeachLM тренує модель студента на 100 000 годинах реальних взаємодій тьютор–студент один-на-один (зі строгою анонімізацією), даючи синтетичних здобувачів, які дозволяють швидке, масштабоване, відтворюване багатоходове оцінювання поведінки тьютора; це вирішує низьку автентичність і різноманітність чисто промпт-інженерних симуляторів студентів. По-друге, інтерактивні інструкційні симулякри — EducaSim використовує генеративних агентів (з персонами, спогадами, заснованими на курсі, та оракулом мовлення LLM-as-judge) для симуляції секції малої групи для майбутніх викладачів, додаючи взаємодію з запускаємим кодом і голосом плюс структурований зворотний зв’язок після сесії та саморефлексію, і демонструє недорогу педагогічну практику викладання з позитивним сприйняттям у масштабі масивних онлайн-курсів. Обидва вказують на симуляцію, що служить не лише оцінюванню, але й практичній підготовці викладачів.

Третя нитка 2026 року стосується того, як будується симулятор, а не того, для чого він використовується, і вона сходиться на одному висновку: підказки задають стелю, яку прибирає навчання. SWIM (Do, Kontak and Sachan, 2026) переформулює симуляцію студентського письма як генерацію есе, умовлену на вмілості, і порівнює промптинг, заснований на рубриці, наглядне донавчання на реальних парах бал–есей та GRPO із винагородою узгодження вмілості, отриманою з Автоматизоване оцінювання есе, оцінюючи кожне згенероване есе проти його цільового профілю рис за допомогою квадратичного зваженого каппа. Промптинг давав обмежений контроль навіть сильним пропрієтарним моделям (найкраще середнє QWK рис 0,577 для Claude Sonnet, 0,422 для GPT-5.4, близько нуля для промптингу відкритої моделі 7B), він узгоджував орієнтовані на зміст рис набагато краще, ніж форму (0,695 проти 0,458), і давав ідеалізовану популяцію високої вмілості, зі середнім нормалізованим балом Overall 0,74 проти 0,58 у реальних студентів і медіанною довжиною 304 слова проти 167. Наглядне донавчання перевело модель 7B до 0,474 ± 0,023, а GRPO — до 0,618 ± 0,005, здобутки трималися на двох незалежних оцінювачах, проти яких політика ніколи не навчалася, і натреновані моделі відновили людські розподіли балів і довжин без жодного нагляду за довжиною; автентична форма низької вмілості залишалася найважчою, оскільки натреновані моделі відновлювали синтаксис, але писали занадто мало помилок правопису та граматики, тоді як промптинг симулював слабкість переважно через поверхневе псування. Той самий урок приходить з протилежного боку в Liu et al. (2026), які інструкційно донавчали три малі моделі утримувати алгебраїчні хибні уявлення: композиція даних вирішувала результат, оскільки одне хибне уявлення надмірно узагальнювалося і деградувало правильне розв’язування, доки не домішували правильні приклади, кілька хибних уявлень навчалися спільно без витрат, і жодне хибне уявлення не набувалося за наглядом лише на фінальній відповіді за жодного розміру даних, залишаючи сліди розв’язків на рівні кроків обов’язковою вимогою.

Зіставлення дев’ятьох методів симуляції проти семи референсних метрик на 382 відкладених математичних діалогах показало, що промптинг відставав від донавчання за діалоговими актами (0,4998 проти 0,6840), ROUGE-L (0,1648 проти 0,3212) і косинусною схожістю (0,5460 проти 0,7390) (Scarlatos et al., 2026)). Проте найкращий протестований метод, оптимізація вподобань на моделі 8B, перевершував наглядне донавчання лише незначно і був гіршим за помилками, а людське оцінювання трьома тьюторами відтворило це ранжування.

Архітектура може забезпечити те, чого не може промптинг: нейросимволічний симулятор, що нав’язує структуру саморегульованого навчання через напівмарковський контролер і трасування знань із впровадженням вад, досяг поведінкової розбіжності 0,31 проти 0,53 на базовій лінії (Wang et al., 2026)). Впровадження його метакогнітивної лексики в базові лінії ніколи не перевершувало 0,63, прибирання символічного контролера відсувало розбіжність до 6,81, і в тесті Тюрінга з 71 оцінювачем його сліди були нерозрізненними від реальних студентів (52,8%, d′ = 0,15).

Аудит ШІ за допомогою симульованих студентів

Поза оцінюванням педагогіки симульовані студенти служать тестовим стендом для аудиту самих систем ШІ — контрольованим способом зондувати, як ШІ поводиться з різноманітними профілями здобувачів, перш ніж торкнутися реальних студентів. López-Pernas et al. (2026) ілюструють це: вони згенерували 4 500 синтетичних віньєток студентів за допомогою трьох LLM, щоб аудитувати, чи можуть поточні великі мовні моделі діяти як прескриптивні рекомендатори Аналітика навчання, виявивши обмежену чутливість до потреб студента та різку невідповідність між моделями. Використання симульованих когорт для стрес-тестування рекомендацій ШІ (а не лише для навчання чи оцінювання тьюторів) є зростаючою роллю парадигми, тісно пов’язаною з оцінюванням ШІ в освіті та з Справедливість, коли аудит має на меті виявити нерівне поводження з різними типами здобувачів.

Симуляція також може попередньо протестувати вибори здобувача: Noh et al. (2026) підганяють адитивну факторну модель і баєсівське Відстеження знань до двох реальних наборів даних репетиторства й дозволяють 1 000 симульованих здобувачів обирати навички за вісьма стратегіями, де правило уникання ризику давало приблизно в тридцять разів більше надмірної практики, ніж інші, а обмеження «безпосередньо нижче володіння» зрізало його до 1,8×.

Другий регістр аудиту є метакогнітивним і афективним. MEDS (Esposito et al., 2026) — це набір даних із 28 000 записів — 2 000 синтетичних персон для кожної з 14 моделей, кожна запущена і як людська персона, і як базовий асистент — який фіксує точність на 18 математичних завданнях середньої школи поряд із самооповіданою впевненістю та балами Самоефективність та математичної тривожності, які б повідомили здобувачі, за яких він стоїть. Його сигналом аудиту є розрив калібрування: сімейство Qwen і Ministral 3B твердили впевненість вище 0,90, тоді як точність завмирала біля 0,55, тоді як Grok 4.1 Fast, DeepSeek Chat і кілька варіантів Mistral Small були недостатньо впевнені, а Ministral 14B і Anita 24B залишалися розумно узгодженими. Ті ж запуски викривають тихішу відмову вірності: персони в людському режимі давали широкі, правдоподібні розподіли балів, але базові асистенти повертали майже ідентичні, впевнені відповіді з низькою тривожністю — типовий автопортрет, а не симульованого здобувача. Це розширює аудит рекомендатора вище, зондуючи те, що модель стверджує про власну компетентність і афект, і загострює попередження сторінки про валідність з несподіваного боку: оскільки персони MEDS зважені за побудовою, а не вибрані з реальної популяції, її автори представляють набір даних як спостережницький ресурс для аудиту поведінки GenAI, умовленої підказками, і явно не як заміну реальних студентських даних.

Симуляція колаборативної та соціальної динаміки

Симуляція також виходить за межі індивідуальних здобувачів, відтворюючи соціальну динаміку колаборативного навчання. Персонно-специфічні агенти LLM — Fang (2026) донавчав агенти LLaMA 3.2-3B на діалогових даних індивідуальних учасників, щоб представляти кожного учасника в симуляціях колаборативного розв’язування завдань, поєднуючи пам’ять із ковзаючим вікном із узагальненими ембедингами пам’яті, щоб зберегти і локальну передачу ходу, і тематичну безперервність, і ймовірнісно обираючи мовців і тематичні коди з емпіричних розподілів. Використовуючи аналіз епістемічних мереж (ENA), симульовані діалоги були статистично нерозрізненними від реальних (відстань ENA 0,17, цілком в межах порогу 95-го перцентиля нульового розподілу; пермутаційне p = 0,65), валідуючи, що агенти LLM можуть відтворювати і динаміку передачі ходу, і траєкторії тематичних кодів реального колаборативного розв’язування завдань.

Робота 2026 року щодо тривалих навичок інвертує звичний напрямок симуляції. Замість того щоб симулювати студента для аудиту системи, система симулює командних партнерів, щоб оцінити студента: виконавчий LLM генерує ходи кожного ШІ-партнера в 30-хвилинному груповому завданні, тримає рубрику оцінювання і скеровує розмову, щоб створити випадки для появи цільової навички (Globerson et al., 2026)). На 373 розмовах від 188 учасників скеровування, узгоджене з навичкою, підвищило оцінювані докази до 92,4% для керування проєктами та 85% для розв’язання конфліктів, суттєво вище незалежних агентів без обмежень, тоді як оцінювач ШІ був калібрований проти двох людських оцінювачів, чиє власне міжоцінювацьке каппа було лише 0,45–0,64 — корисне нагадування, що стелю симулятора задає узгодженість, якого люди можуть дійти щодо конструкту.

Навчання проти симулятора також може переноситися: агент підсилення навчання TutorLoop, натренований офлайн проти симульованого студента, перенісся незмінним на нове реальне навчальне завдання без перенавчання (N = 187), де його рідкісніший, але краще розміщений зворотний зв’язок перевершував щільніший зворотний зв’язок (Xu & Zhang, 2026)).

Пов’язані поняття

Пов’язані статті

Пов’язані поширені питання

Метадані

Цільова аудиторіяInstructors
Технології та методиКогнітивна діагностика, Генеративний ШІ, Інтелектуальний тьюторінг, Відстеження знань, Великі мовні моделі (LLM), Педагогічний агент, Симуляція, Моделювання здобувача та адаптивне навчання
Основи ШІ в освітіАгентний ШІ, Викладання
SourceHistoryEditChat

Вставити цю сторінку

Скопіюйте наведений нижче код, щоб вставити цю сторінку в систему управління навчанням або на інший вебсайт. Вбудована версія показує лише вміст сторінки — вона приховує заголовок сайту, навігацію та колонтитул.