طلبہ کی سمولیشن

انگریزی صفحے کا خودکار ترجمہ، جو ابھی تک کسی مقامی بولنے والے کے ذریعے جانچا نہیں گیا۔

طلبہ کی سمولیشن — سیکھنے والوں کے رویے، ادراک اور سماجی حرکیات کو تعلیمی تحقیق، ڈیزائن اور تربیت کے لیے LLM پر مبنی ایجنٹس کے ذریعے ماڈل کرنا۔ نقل شدہ طلبہ محققین کو یہ موقع دیتے ہیں کہ پیدگوجیکل طریقوں کا جائزہ لیں، متنوع سیکھنے والوں کے پروفائل ماڈل کریں، تعلیمی AI کو تعیناتی سے پہلے جانچیں اور اساتذہ کی تربیت کریں — وہ کام جو حقیقی سیکھنے والوں کے ساتھ منظم طریقے سے کرنا مشکل، سست یا اخلاقی طور پر محدود ہے۔

غور کرنے کے لیے سوالات

• اگر آپ کو اپنی تدریس کی مشق کے لیے ایک AI ”طالب علم“ بنانا پڑے، تو وہ کیا چیز ہوگی جو اسے آپ کے لیے قائل کرنے والا بناتی ہے — اور ایسا نظام جو ہمیشہ درست جواب دیتا ہو، حقیقی سیکھنے والے کا ناقص نمائندہ کیوں ہو سکتا ہے؟
• صفحہ ایک قابل AI کے کامل جوابات اور حقیقی طالب علم کے ناقص جوابات کے درمیان عدم توازن کو ”قابلیت کا تضاد“ کہتا ہے۔ آپ نے یہ تناؤ اپنے AI کے تجربے میں کہاں دیکھا ہے، اور آپ کے خیال میں نقل شدہ سیکھنے والے کو واقعی حقیقت پسند بنانے کے لیے کیا درکار ہے؟
• کون سی اخلاقی اور عملی وجوہ ہیں جن کی بنا پر آپ کسی ٹیوٹرنگ نظام یا نصاب کو حقیقی طلبہ کے بجائے نقل شدہ طلبہ پر جانچنا ترجیح دیں گے — اور آپ کو شبہ ہے کہ یہ تبادلہ کون سے اعتبار کے خطرات لاتا ہے؟
• ایک نقل شدہ طالب علم سطحی طور پر انسان نما نظر آئے بغیر ”علمی طور پر وفادار“ ہو سکتا ہے۔ آگے پڑھنے سے پہلے، آپ کے خیال میں قابلِ یقین سطح اور اس بات کے سچے ماڈل کے درمیان کیا فرق ہے کہ سیکھنے والا واقعی کیا جانتا ہے؟
• آپ کیسے طے کریں گے کہ نقل شدہ طلبہ سے حاصل ہونے والی کسی تلاش پر اتنا بھروسا کیا جائے کہ حقیقی لوگوں کو پڑھانے کا آپ کا طریقہ بدل دیا جائے؟

تعارف

نقل شدہ طلبہ ایک طریقہ کار اوزار ہیں: ایسے ایجنٹ جو حقیقی سیکھنے والوں کی جگہ کھڑے ہوتے ہیں تاکہ ٹیوٹرنگ نظاموں، نصابات اور تدریسی حکمت عملیوں کا جائزہ لیا اور اُنہیں دہرایا جا سکے، بغیر انسانی طلبہ کے گروہ بھرتی کیے۔ بڑے لسانی ماڈل نے اس نمونے کو اُن قاعدہ پر مبنی نقل شدہ سیکھنے والوں کے مقابلے میں بہت زیادہ قابلِ توسیع اور لسانی طور پر حقیقت پسند بنا دیا ہے جو اُن سے پہلے تھے، اور ساتھ ہی اعتبار کے نئے چیلنج بھی پیدا کیے ہیں۔

AI کے ذریعے کی گئی تقریبات اُس سوال کو تیز کرتی ہیں جس کی فکر اس صفحے کو ہے: سمولیشن کس کی نمائندگی کرتی ہے، اور استاد کو کیا نوٹ کرنا ہے۔ ریاضی کے اساتذہ کی تربیت میں، متن پر مبنی نقل شدہ طالب علم کے کام اور چیٹ بوٹ ساتھی جو ریہرسل میں استعمال ہوتے ہیں، اُن مشق کی تقریبات کو وسیع کرتے ہیں جو پہلے ہی پیشہ ورانہ تربیت کو منظم کرتی ہیں۔ چیٹ بوٹ کے ایک مطالعے نے سوال پوچھنے کے چار الگ پروفائل پیدا کیے، تاہم پری سروس اساتذہ کے خود جائزے اُس تعامل کے معیار سے ہم آہنگ نہیں تھے جو مشاہدہ کرنے والوں نے درج کیا، جس سے یہ ظاہر ہوتا ہے کہ ریہرسل کے بعد خودکار فیڈبیک جو کھرچنے اور کھوج لگانے والے سوالات بڑھاتا ہے، ایک مفید مگر ناکافی رہنما ہے۔ سمولیٹر، امیدوار اور فیڈبیک — تینوں کو مل کر پڑھنا ضروری ہے۔ سمولیشن استاد کو کیا نوٹ کرنے دیتی ہے، یہ بھی اس کے ڈیزائن سے طے ہوتا ہے: Galiç وغیرہ (2026) کی تین ہفتوں والی مساوی علامت کی مداخلت میں 17 پری سروس ریاضی کے اساتذہ کے ساتھ، امیدوار توجہ دینے، تشریح کرنے اور تشکیل دینے کے درمیان حرکت کرتے رہے، کسی مقرر ترتیب سے نہیں گزرے، مگر ایک ایک کے ساتھ، متن پر مبنی ترتیب کا مطلب یہ تھا کہ تشکیل سوال پوچھنے اور پرامپٹنگ میں سمٹ گئی، اور غلط فہمی کو اولیت دینے والے ڈیزائن نے توجہ طلبہ کی خوبیوں کے بجائے غلطی کی شناخت کی طرف کھینچ لی۔ سمولیٹر ہی وہ حصہ چنتا ہے جو امیدوار کو ریہرسل کرنے کو ملتا ہے۔

صرف نگرانی والی فائن ٹیوننگ سمولیٹر کو پرامپٹ میں دی گئی صلاحیت پر کمزور طور پر مشروط کرتی ہے، کیونکہ اس کا مقصد جواب کی درستگی کو صلاحیت سے جوڑنے کے بجائے جوابی متن کی نقل پیدا کرنے کو انعام دیتا ہے؛ Fernandez وغیرہ (2026) اس کے بجائے سمولیٹر کو طلبہ کے IRT صلاحیت کے فرق سے بنائے گئے جوڑوں پر براہِ راست ترجیحی اصلاح کے ذریعے ہم آہنگ کرتے ہیں، اور CodeWorkout پر یہ جوڑا تمام براہِ راست مشکل کی پیش گوئی کے بنیادیوں کو اور، 1B پیمانے پر، ہر مشکل کے میٹرک پر SMART سمولیٹر کو بھی مات دیتا ہے، اور ساتھ ہی زیادہ تقسیمی طور پر حقیقت پسند جوابات پیدا کرتا ہے۔

طلبہ کی سمولیشن کیوں

• پیدگوجی کا جائزہ: تدریسی طریقوں کو ایک کنٹرول شدہ، دہرائے جانے والے انداز میں بہت سے سیکھنے والوں کے پروفائلوں پر جانچنا۔

• متنوع سیکھنے والوں کی ماڈلنگ: علمی سطحوں، سیکھنے کے انداز، پیشگی علم اور AI کے بارے میں غلط فہمیاں میں اُس تنوع کو گرفت میں لانا جسے حقیقی گروہ میں جمع کرنا مشکل ہوتا ہے۔

• تعلیمی AI کی جانچ: ٹیوٹرنگ اور جانچ کے نظاموں کی تعیناتی سے پہلے تصدیق کرنا، اور تربیتی ڈیٹا پیدا کرنا۔

• اساتذہ کی تربیت: مدرسین کو نقل شدہ، عموماً ناقص، سیکھنے والوں کے ساتھ ٹیوٹرنگ اور کلاس روم کے انتظام کی مشق کرنے دینا۔

• سمولیشن سب سے آسان طلبہ کو محیط ہوتی ہیں، اور بہت کم کی تصدیق ہوتی ہے۔ بارہ اساتذہ جنہوں نے LLM طلبہ کو پڑھایا، نے حد سے زیادہ پیچیدہ زبان، غائب جذبات، غیر فطری توجہ اور علم میں اچانک چھلانگوں کی شکایت کی، اور سمولیشن نے حقیقی طالب علم کے رویے کے چار چوتھائی حصوں میں سے صرف ایک کی نمائندگی کی — جبکہ سیکھنے والوں کی سمولیشن کرنے والے مطالعوں میں سے صرف 3% استعمال کے بعد اُن کی تصدیق کرتے ہیں (Martynova وغیرہ (2026)).

بنیادی چیلنج: حقیقت پسندانہ ناقص پن

طلبہ کی سمولیشن کی بنیادی مشکل یہ ہے کہ LLM کو ”مددگار اسسٹنٹ“ بننے کی تربیت دی جاتی ہے جو درست، چمکائے ہوئے جوابات پیدا کریں۔ مگر حقیقی طلبہ ناقص ہوتے ہیں — وہ مخصوص غلطیاں کرتے ہیں، غلط فہمیاں رکھتے ہیں، اور بتدریج سیکھتے ہیں۔ ایسا نقل شدہ طالب علم جو بالکل درست (یا حد سے زیادہ بے ترتیب) جواب دے، سیکھنے والے کا معتبر ماڈل نہیں۔ تحقیق اسے قابلیت کا تضاد کہتی ہے: وسیع پیمانے پر قابل LLM جب جزوی طور پر جاننے والے سیکھنے والوں کی نقل کرنے کو کہے جائیں تو غیر حقیقی غلطی کے نمونے اور سیکھنے کی حرکیات پیدا کرتے ہیں۔ Nguyen اور Cao (2026) اس انحراف کو ایک سمت دیتے ہیں۔ 49 NGSS کے مطابق سائنس اسباق میں شامل طالب علم کے خیالات کے سامنے، چھ ماڈل زیادہ تر خیالات کو متوقع علمی دائرے کے اندر اور تقریباً دو تہائی کو ہدف کے مطالعے کی سطح پر یا اس سے نیچے رکھ سکے، مگر بالکل وہیں حد سے آگے بڑھے جہاں سیکھنے والا سب سے کم عمر تھا: ابتدائی اور درمیانی اسکول کے خیالات زیادہ کثرت سے ہدف جماعت کے علمی دائرے اور مطالعے کی سطح سے تجاوز کر گئے، جبکہ مجموعی طور پر ذخیرہ سبق کے خیالات کے مقابلے میں وسیع تر استدلال، زیادہ تکنیکی الفاظ اور کم غیر یقینی کے نشانات (”شاید“، ”ایسا لگتا ہے“) کی طرف جھکا رہا۔ ماڈل کا انتخاب بھی یک جہتی نہیں — ایسا نظام جو سبق کے خیالات سے قریب رہے، پھر بھی اُنہیں جماعت سے اوپر رکھ سکتا ہے، چنانچہ ترمیم عموماً تدریسی ہی ہوتی ہے، کیونکہ جماعت کی سطح کا واضح دوبارہ پرامپٹ زیادہ تر ماڈلوں کو دائرے میں واپس لے آیا۔ اسے حل کرنے کے لیے سمولیشن کو اس طرح محدود کرنا ضروری ہے کہ وہ حقیقی علمی حالت کا عکس ہو — سیکھنے والا کیا جانتا ہے، غلطیاں کیسے تشکیل پاتی ہیں، اور حالت کیسے بدلتی ہے — نہ کہ ماڈل کی پوری قابلیت کا۔ تکنیکوں میں نالج گراف یا نالج ٹریسنگ ماڈلوں میں جڑے علمی نمونے، علمی حالت کی واضح تفصیلات، اور سیکھنے کے حالت کی منتقلی کے ماڈل شامل ہیں، محض شخصیت سے مشروط رول پلے نہیں۔

علم کو محدود کرنے کے بجائے ایک مختلف لیور علم کو ہٹا دیتا ہے۔ Mistral-7B میں 16 نشانہ بنائے گئے علمی اجزا کو دبانے سے درستگی 10% بھولنے کے تناسب پر تقریباً 0.75 سے 40% پر 0.5 سے نیچے آ گئی، جبکہ بنیادی ماڈل تقریباً 0.85 کے قریب رہا، اور دبایا گیا علم زیرِ نگرانی دوبارہ سیکھنے اور کوچ کی رہنمائی والی گفتگو کے ذریعے بحال ہونے کے قابل ثابت ہوا (Song، Guo اور Lin، 2026).

شخصیت کا استحکام ماڈل کے انتخاب کا نہیں، تعامل کے ڈیزائن کا مسئلہ ہے: پانچ LLM کو تین پرامپٹ ڈیزائنوں اور ADHD کی شدت والی چار شخصیتوں کے ساتھ ملا کر، سکرپٹ شدہ اور کام سے جڑے تعاملات نے مشاہدہ کرنے والوں کے درج کردہ رویے کے انحراف کو ختم کر دیا — غیر سکرپٹ شدہ گفتگو سے 97% تک کم — اور واضح شخصیت کی ہدایات کے بغیر بنیادی طالب علم کی نمائندگی اعلیٰ ADHD علامات کی طرف جھکی رہی (Gonnermann-Müller، Haase اور Leins (2026)).

اُلٹ ناکامی بھی واقع ہوتی ہے: ایک اندھے مطالعے میں ماہرین نے 196 میں سے 164 (83.7%) LLM سے پیدا شدہ Java جمع کرانے کو انسانی لکھے ہوئے قرار دیا، چنانچہ سمولیٹر کی غلطیاں حقیقی غلطیوں سے فعلی طور پر ناقابلِ امتیاز ہو سکتی ہیں — تاہم مسئلے کی مشکل بڑھنے کے ساتھ حقیقی غلطیوں سے مطابقت کم ہوتی گئی (Keramati وغیرہ (2026)).

پیش گوئی شدہ رویے کے ماڈل پر تخلیق کو مشروط کرنا فائن ٹیوننگ کے بغیر بھی کام کرتا ہے: ایک تربیت کے بغیر فریم ورک ہر طالب علم کا علمی نمونہ نالج گراف سے بناتا ہے اور بیم سرچ کے امیدواروں کو اس کے سامنے اسکور کرتا ہے، اور سمولیشن کی درستگی میں 100% بہتری رپورٹ کرتا ہے (Wu وغیرہ (2025)). اس کا معیار طالب علم کی علمی سطح کے ساتھ بڑھتا ہے، چنانچہ کمزور سیکھنے والے زیادہ مشکل کیس رہتے ہیں۔

• سیکھنے والے کا کردار ادا کرنے کے بجائے اُس کی پیش گوئی کریں۔ Jiang وغیرہ (2026) سمولیشن کو تیسرے شخص کی پیش گوئی کے طور پر دوبارہ تشکیل دیتے ہیں: سیکھنے والے کی تاریخ سے بنایا گیا طالب علم ماڈل ایک پیشگی فراہم کرتا ہے، ایک اخذ شدہ سیکھنے والے کی حالت اگلی حرکت کو محدود کرتی ہے، اور نقل شدہ صلاحیت کی تقسیم Wasserstein-1 فاصلے کے لحاظ سے حقیقی تقسیم کے 2.4 سے 8.4 گنا زیادہ قریب آ جاتی ہے۔

CogEvolution جامد شخصیت کے بجائے علمی حرکیات کو ماڈل کرتا ہے — ایک ICAP گہرائی کا پرسیپٹرون ہر حالت کی تازہ کاری کا حجم طے کرتا ہے اور ارتقائی تازہ کاری Zone-of-Proximal-Development کے دائرے میں رہتی ہے — اور R²LC = 0.92 تک پہنچتا ہے جہاں جامد ایجنٹ 0.45 تک پہنچتے ہیں اور ICAP ماڈیول کے بغیر 0.58 پر گر جاتا ہے (Zhang وغیرہ (2026)).

انحراف افق کا مسئلہ ہے، شخصیت کا مسئلہ نہیں۔ Radmehr وغیرہ (2026) دکھاتے ہیں کہ باری باری تخلیق کے دوران مقرر کردہ پروفائل لمبے راستوں پر گم ہو جاتا ہے، جبکہ حرکتوں کو پیدا کرنے سے پہلے پروفائل کے مطابق حصوں کی منصوبہ بندی نے ہر پروفائل کے لیے تین حقیقی راستوں کے ساتھ بھی کثافت اور جج کے درج کردہ استحکام کو برقرار رکھا۔

سطحی حقیقت پسندی کے بجائے وفاداری

اعتبار ہی مرکزی فکر ہے: نقل شدہ طالب علم تب ہی کارآمد ہے جب اس کا رویہ علمی طور پر وفادار ہو — یعنی مقصود سیکھنے والے کی علمی حالت کا عکس ہو — نہ کہ محض لسانی طور پر قابلِ یقین۔ تحقیق چاپلوسی سے خبردار کرتی ہے، جہاں ”نقل شدہ طالب علم“ ٹیوٹر سے محض اتفاق کر لیتا ہے اور وہ غلط فہمیاں ظاہر نہیں کرتا جن کی وہ نمائندگی کرنے کے لیے بنایا گیا تھا۔ یہ اعتماد کی کیلیبریشن سے جڑتا ہے، اور اس وسیع تر مسئلے سے بھی کہ آیا کوئی ایجنٹ واقعی کسی تصور کی ماڈلنگ کرتا ہے یا صرف سطحی رویے کی نقل۔

ناکامی کا اندازہ لگایا گیا ہے: 4B سے 120B پیرامیٹرز تک سات ماڈلوں میں، سمولیٹر فیڈبیک سے قطع نظر تقریباً یکساں شرح پر درست جواب کی طرف پلٹے، چنانچہ نتائج کی مماثلت اپنے پیچھے موجود عقیدے کی حالت کے بارے میں کچھ نہیں بتاتی، جبکہ Selective Flip Score کے خلاف تربیت نے وفاداری کو +0.56 تک بڑھا دیا (Do، Sonkar اور Sachan (2026)).

نقل شدہ مؤکل وضاحت کے مرحلے کو ہٹا دیتے ہیں، اور تربیت پانے والے کا رویہ اسی کے مطابق ڈھل جاتا ہے۔ Rudolph وغیرہ (2026) نے 64 انسانی-انسانی چیٹ مشاورتی رول پلے کا 74 انسانی-LLM گفتگو (Mixtral 8x7B، 4-bit) سے GeCCo زمرہ بندی کے تحت موازنہ کیا اور پایا کہ LLM مؤکل اپنے پرامپٹ میں شامل مسئلہ کو گھمانے کے بجائے سیدھا بتا دیتے ہیں۔ چنانچہ مشیروں نے درج شدہ رویے کے 17.63% میں مسئلہ حل کرنے تک رسائی حاصل کی، بمقابلہ انسانی مؤکلوں کے ساتھ 10.67%، اور سہولت بخش اعتدال کے بجائے حقائق کی عکاسی پر زیادہ انحصار کیا، اور اجلاس زیادہ کثرت سے رسمیات کے ساتھ ختم کیے (11.95% بمقابلہ 5.95%)۔ ڈیزائن کا نتیجہ یہ ہے کہ بنیادی طور پر نقل شدہ مؤکلوں پر بنایا گیا نصاب اجلاس کے دوسرے نصف کی تربیت کرتا ہے: ہچکچاتے ہوئے بیان کو نکالنا بالکل وہی ہے جو نقل شدہ مؤکل چھوڑ دیتا ہے، چنانچہ ایسا پرامپٹ جو مؤکل کو روکے رکھنے پر مجبور کرے، اسے بحال کر دیتا ہے۔

علمی ذخیرے سے ربط

طلبہ کی سمولیشن سمولیشن، طالب علم کی ماڈلنگ اور انطباقی تدریس اور نالج ٹریسنگ کے سنگم پر بیٹھی ہے۔ یہ تعلیم میں جنریٹو AI کا ایک الگ استعمال ہے (سیکھنے والوں کی ماڈلنگ، اُنہیں پڑھانا نہیں) اور ایجنٹک AI ملٹی ایجنٹ نظاموں کی ایک تطبیق۔ یہ ذہین ٹیوٹرنگ، انطباقی سیکھنا، ذاتی نوعیت کی سیکھنا اور تدریس کی ترقی کو سہارا دیتی ہے، اور پیشہ ورانہ تربیت کے لیے مریض کی سمولیشن سے بھی ہم پلہ ہے (مثلاً خصوصی تعلیم اور طبی تعلیم کے سیاق و سباق)۔ نمونے کی سطح پر، Zhang، Jiang اور Tang (2026) اسے جائزے سے آگے بڑھاتے ہیں: اُن کا موقف نامہ دلیل دیتا ہے کہ تعلیمی سائنس اپنے نظریے اور اپنے ڈیٹا و طریقہ کار کے آلات کے درمیان ساختی عدم توازن کا شکار ہے، اور ایجنٹ پر مبنی تعلیمی سائنس تجویز کرتا ہے، جس میں ایجنٹ سیکھنے والوں، اساتذہ، والدین اور ہم عمروں کی ماڈلنگ کرتے ہیں جبکہ سمولیشن کا آلہ خود — انفرادی ایجنٹ نہیں — تحقیقی اوزار کا کام دیتا ہے، اور وقت میں پھیلے ترقیاتی راستے اور ایسے مفروضی ڈیزائن پیدا کرتا ہے جنہیں کلاس روموں میں چلانا سست، مہنگا یا اخلاقی طور پر ناقابلِ عمل ہوتا ہے، جہاں تجرباتی ڈیٹا کو کیلیبریشن، تصدیق اور حدی شرائط کا درجہ مل جاتا ہے۔ مقالہ اس میں سے کسی چیز کی تجرباتی تصدیق رپورٹ نہیں کرتا: Student Development Agents صرف تصوراتی طور پر متعین ہیں، اور مصنفین کا اپنا جائزہ تسلیم کرتا ہے کہ LLM اب بھی بین الافرادی تنوع کو نہیں پکڑ پاتے اور یہ کہ جنریٹو سماجی سمولیشن کی تصدیق میدان کا حل نہ ہوا چیلنج ہے، چنانچہ یہ دعویٰ کہ سمولیشن اس بات کو بدل دے گی کہ شواہد اور تکرار کیسے کام کرتے ہیں، ایک تجویز ہے، مظاہرہ شدہ نتیجہ نہیں۔

ایک تجرباتی ساتھی اسی گروہ سے آتا ہے: ایک طالب علم ترقیاتی ایجنٹ MAIC پلیٹ فارم پر 42 حقیقی طلبہ کے کورس کے بعد کے غیر علمی نتائج کی پیش گوئی کرتا ہے، اور RMSE میں پانچوں جہتوں میں کورس سے پہلے کی اوسط بنیاد کو مات دیتا ہے (Jiang اور Zhang، 2025)۔ اس کا ہدف رویے کے بجائے ترقی ہے — ایجنٹ کی حالت اس کی اگلی حرکتوں میں داخل ہوتی ہے — اور دلیل دی جاتی ہے کہ ایجنٹوں پر نمونہ بنانا طلبہ کو مطالعے کے سب سے غیر یقینی مرحلے سے باہر رکھتا ہے۔

طلبہ کی سمولیشن بمقابلہ طالب علم کی ماڈلنگ

بنیادی فرق حقیقی سیکھنے والے کی نمائندگی اور مصنوعی سیکھنے والا پیدا کرنے کے درمیان ہے۔ طالب علم کی ماڈلنگ اور انطباقی تدریس ایک حقیقی طالب علم کی کمپیوٹیشنل نمائندگی بنانے کی مشق ہے — وہ کیا جانتا ہے، کیا محسوس کرتا ہے، اور کیا چاہتا ہے — تاکہ موافق نظام اسی سیکھنے والے کے لیے تدریس کو ذاتی بنا سکیں۔ اس کے برعکس، طلبہ کی سمولیشن مانگ پر فرضی سیکھنے والے پیدا کرتی ہے، کسی حقیقی فرد کی خدمت کے لیے نہیں بلکہ کسی گروہ کی نمائندگی کے لیے، تاکہ پیدگوجی اور AI نظام آف لائن جانچے جا سکیں۔

دونوں مقابل نہیں، تکمیلی ہیں۔ ایک اعلیٰ وفاداری والا نقل شدہ طالب علم عموماً ایک طالب علم ماڈل اپنے اندر رکھتا ہے (ایک علمی حالت، غلط فہمیوں کا مجموعہ، ایک شمولیت پروفائل) اور اُنہی تصورات سے استفادہ کرتا ہے جنہیں طالب علم کی ماڈلنگ اور انطباقی تدریس اور نالج ٹریسنگ رسمی شکل دیتے ہیں۔ مشترکہ اعتبار کا چیلنج دونوں میں یکساں ہے: نمائندگی کو سیکھنے والے کی حقیقی حالت کا وفادار عکس ہونا چاہیے، نظام کے طے شدہ رویے کا نہیں۔ مگر مقصد مختلف ہے — طالب علم کی ماڈلنگ حقیقی سیکھنے والے کی تشخیص کرتی ہے تاکہ اُس پر عمل کیا جائے؛ سمولیشن سیکھنے والے گھڑتی ہے تاکہ جانچ یا تربیت ہو سکے۔ یہی وجہ ہے کہ نقل شدہ طلبہ کی تحقیق تیزی سے AI کی جانچ کے لیے استعمال ہوتی ہے (نیچے دیکھیں) جبکہ طالب علم کی ماڈلنگ کی تحقیق براہِ راست انطباقی سیکھنا اور ذاتی نوعیت کی سیکھنا کی طرف مرکوز رہتی ہے۔

دو محوروں والی وفاداری: رویے کی مطابقت اور رہنمائی کی جواب دہی

StudentSim (Yang وغیرہ، 2026) اعتبار کے مسئلے کو دو تقاضوں کے طور پر رسمی شکل دیتا ہے جو مل کر پورے ہونے چاہئیں: رویے کی وفاداری (F) — سمولیٹر کس حد تک طالب علم کے اپنے جوابات سے مطابقت رکھتا ہے — اور رہنمائی کی جواب دہی (R) — وہ کتنی قابلِ اعتماد طریقے سے ٹیوٹر کی رہنمائی کی طرف بدلتا ہے۔ اس کا بینچ مارک، StudentSimEval، عوامی سیکھنے والے ذخیروں (شطرنج، دوسری زبان کی انگریزی تحریر، ریاضی) کو فی طالب علم ایک معیاری پروٹوکول میں ڈھالتا ہے جس پر کوئی بھی سمولیٹر فٹ کیا جا سکتا ہے اور روکے گئے ریکارڈوں پر اسکور کیا جا سکتا ہے۔ دو مرحلوں والا پہلے مشترک، پھر مخصوص پائپ لائن (رویے کے نمونوں کا مشترک ذخیرہ اور فی طالب علم ایڈاپٹر) دونوں محوروں پر مضبوط سمولیٹروں کا ایک خاندان پیدا کرتا ہے، جو ڈومین کے لیے مخصوص حالت کی پیروی (R پر کمزور) اور صرف پرامپٹ والے LLM رول پلے (F پر کمزور) سے بہتر کارکردگی دکھاتا ہے۔ یہ میدان کو ایک ٹھوس، دو محوروں والی اصطلاحات دیتا ہے جس سے فیصلہ ہو کہ نقل شدہ سیکھنے والا واقعی کارآمد ہے یا محض قابلِ یقین — اور، تصور کے ثبوت کے طور پر، شطرنج ٹیوٹر کے ری انفورسمنٹ لرننگ حلقے میں انعام کے طور پر استعمال ہونے والا ایک منجمد StudentSim ایسے ٹیوٹر پیدا کرتا ہے جنہیں ماہرین نے فرنٹیئر LLM سمولیٹر کے انعام یا بالکل بغیر RL کے تربیت یافتہ ٹیوٹروں کے مقابلے میں زیادہ درست، بہتر رہنمائی والا اور زیادہ ذاتی نوعیت کا قرار دیا۔

طلبہ کے سمولیٹر قابلِ مشاہدہ حرکتیں دہراتے ہیں مگر اُن کے پیچھے کا پوشیدہ استدلال نہیں۔ INSIDE ماڈلوں کو ہر حرکت سے پہلے اندرونی مکالمہ پیدا کرنے کی فائن ٹیوننگ کرتا ہے، اور پیدا شدہ استدلال اور حقیقی کوڈ کی ترمیمات کے درمیان سب سے زیادہ مطابقت تک پہنچتا ہے (مانوس مسائل پر 51.8%، نہ دیکھے گئے مسائل پر 57.9%)، حرکت کی وفاداری کھوئے بغیر (Niousha وغیرہ، 2026)۔

بیان کرنا، سمولیشن نہیں: کب ایک اکیلا ایجنٹ نقل شدہ گروہ کو مات دیتا ہے

بار بار آنے والا سوال یہ ہے کہ کیا سیکھنے والوں کی تقسیم کی سمولیشن یہ پیش گوئی کرنے کا بہترین طریقہ ہے کہ حقیقی طلبہ کیسی کارکردگی دکھائیں گے۔ Wang، Mitchell اور Piech (2025) ایک چونکا دینے والا متضاد نتیجہ پیش کرتے ہیں: طلبہ کے شامل ہونے سے پہلے آن لائن سیکھنے کے تجربے کا جائزہ لینے کے لیے — یعنی اسکول چھوڑنے اور مکمل کرنے کی پیش گوئی اور ڈیزائن پر فیڈبیک دینے کے لیے — ایک اکیلا ”بیان کرنے والا“ ویب ایجنٹ جو خود مختار طور پر سبق سے گزرتا ہے اور طالب علم کے تجربے کی بھرپور وضاحت پیدا کرتا ہے، طلبہ کی آبادی کی براہِ راست سمولیشن سے بہتر کارکردگی دکھاتا ہے۔ اُن کے نقل شدہ طلبہ (شخصیت سے مشروط ایجنٹ جو متوقع تکمیل کی شرح سے مطابقت رکھنے کے لیے نمونہ بنائے گئے) حقیقی سیکھنے والوں سے بہت کم رویے کی وسعت دکھاتے تھے — پانچ امتحانی اسباق پر 100 ایجنٹوں نے حقیقی طلبہ کے اختیار کردہ راستوں کا صرف تقریباً 4% دہرایا — اور سبق کی مشکل کے بارے میں بہت کم بصیرت دی، جبکہ کمپیوٹیشنل طور پر کافی زیادہ مہنگے تھے۔ اکیلا بیان کرو، پھر پیش گوئی کرو والا پائپ لائن (ایجنٹ کی پیدا کردہ وضاحتیں بڑے لینگویج ماڈلز (LLMs) کو دے کر نتائج کی پیش گوئی) نے ایک بہت بڑے عالمی CS1 کورس پر اسکول چھوڑنے کی تقسیم کی بہترین پیش گوئی حاصل کی (اوسط JSD 0.060، ہر بنیادی کو مات دیتے ہوئے)۔ یہ میدان کے لیے ایک نتیجہ خیز حدی نتیجہ ہے: طلبہ کی کسی تقسیم کی سمولیشن غیر ضروری — اور حتیٰ کہ نقصان دہ — ہو سکتی ہے جب مقصد نتیجے کی پیش گوئی یا ڈیزائن پر تنقید ہو، کیونکہ تجربے کی وفادار وضاحت نقل شدہ راستوں کے تنگ حصے سے زیادہ اشارے رکھتی ہے۔ یہ یہ بھی تجویز کرتا ہے کہ سمولیشن کا کردار اُن سوالات تک محدود ہو سکتا ہے (مثلاً کسی AI کے متنوع پروفائلوں کے ساتھ سلوک کی جانچ، یا اساتذہ کی تربیت) جہاں سیکھنے والوں کے حقیقی تنوع کا احاطہ مجموعی نتیجے کی پیش گوئی سے زیادہ اہم ہو۔

مستند ڈیٹا والے طالب علم ماڈل اور تعاملی مشق

2026 کے دو دھارے سمولیشن کی عملی قدر کو تیز کرتے ہیں۔ پہلا، مستند ڈیٹا والے طالب علم ماڈل — TeachLM ایک طالب علم ماڈل کو حقیقی ایک بہ ایک ٹیوٹر اور طالب علم کے تعامل کے 100,000 گھنٹوں پر تربیت دیتا ہے (سخت گمنامی کے ساتھ)، اور ایسے مصنوعی سیکھنے والے پیدا کرتا ہے جو ٹیوٹر کے رویے کے تیز، قابلِ توسیع اور دہرائے جانے والے کثیر باری جائزے کو ممکن بناتے ہیں؛ یہ محض پرامپٹ سے بنائے گئے طالب علم سمولیٹروں کی کم اصلیت اور تنوع کا حل ہے۔ دوسرا، تعاملی تدریسی مشابہات — EducaSim جنریٹو ایجنٹس (شخصیتوں، کورس میں جڑی یادوں اور LLM بطور جج تقریری اوریکل کے ساتھ) استعمال کرتا ہے تاکہ تربیت پانے والے اساتذہ کے لیے ایک چھوٹے گروہ کا سیکشن سمولیٹ کرے، اور چلنے کے قابل کوڈ اور آواز کا تعامل نیز اجلاس کے بعد ساختی فیڈبیک اور خود عکاسی شامل کرتا ہے، اور کم لاگت، مثبت پذیرائی والی تجرباتی تدریسی مشق بہت بڑے آن لائن کورسوں کے پیمانے پر پیش کرتا ہے۔ دونوں اشارہ دیتے ہیں کہ سمولیشن صرف جائزے کی نہیں بلکہ عملی اساتذہ کی تیاری کی بھی خدمت کرتی ہے۔

2026 کا تیسرا دھارا اس بارے میں ہے کہ سمولیٹر کیسے بنایا جاتا ہے، نہ کہ وہ کس لیے استعمال ہوتا ہے، اور یہ ایک نتیجے پر متفق ہوتا ہے: پرامپٹنگ ایک حد قائم کرتی ہے جسے تربیت ہٹا دیتی ہے۔ SWIM (Do، Kontak اور Sachan، 2026) طالب علم کی تحریر کی سمولیشن کو مہارت سے مشروط مضمون کی تخلیق کے طور پر دوبارہ تشکیل دیتا ہے اور ربرک میں جڑی پرامپٹنگ، حقیقی اسکور اور مضمون کے جوڑوں پر زیرِ نگرانی فائن ٹیوننگ، اور خودکار مضمون جانچ سے ماخوذ Proficiency Alignment Reward کے ساتھ GRPO کا موازنہ کرتا ہے، اور ہر پیدا شدہ مضمون کو Quadratic Weighted Kappa کے ذریعے اس کے ہدف خصوصیات کے پروفائل کے سامنے اسکور کرتا ہے۔ پرامپٹنگ نے مضبوط ملکیتی ماڈلوں کو بھی محدود کنٹرول دیا (بہترین اوسط خصوصیت QWK Claude Sonnet کے لیے 0.577، GPT-5.4 کے لیے 0.422، کھلے 7B ماڈل کو پرامپٹ کرنے پر تقریباً صفر)، اس نے مواد پر مبنی خصوصیات کو شکل کے مقابلے میں بہت بہتر ہم آہنگ کیا (0.695 بمقابلہ 0.458)، اور اس نے ایک مثالی اعلیٰ مہارت والی آبادی پیدا کی، جس کا اوسط معمول بندہ Overall اسکور 0.74 تھا جبکہ حقیقی طلبہ کا 0.58، اور اوسط لمبائی 304 الفاظ بمقابلہ 167۔ زیرِ نگرانی فائن ٹیوننگ نے 7B ماڈل کو 0.474 ± 0.023 اور GRPO نے 0.618 ± 0.005 تک پہنچایا، یہ فائدے دو آزاد اسکورروں پر بھی قائم رہے جن کے خلاف پالیسی نے کبھی تربیت نہیں کی، اور تربیت یافتہ ماڈلوں نے لمبائی کی کسی نگرانی کے بغیر انسانی اسکور اور لمبائی کی تقسیمیں بحال کر لیں؛ مستند کم مہارت والی شکل سب سے مشکل رہی، کیونکہ تربیت یافتہ ماڈلوں نے نحو بحال کر لی مگر ہجے اور گرامر کی غلطیاں بہت کم لکھیں جبکہ پرامپٹنگ نے کمزوری کی نقل بنیادی طور پر سطحی بگاڑ سے کی۔ یہی سبق اُلٹ سمت سے Liu وغیرہ (2026) میں ملتا ہے، جنہوں نے تین چھوٹے ماڈلوں کو الجبرا کی غلط فہمیاں رکھنے کی ہدایت سے فائن ٹیون کیا: نتیجہ ڈیٹا کی ترکیب نے طے کیا، کیونکہ ایک اکیلی غلط فہمی حد سے زیادہ عام ہو گئی اور درست حل کو خراب کرتی رہی جب تک درست مثالیں شامل نہ کی گئیں، کئی غلط فہمیاں بغیر کسی قیمت کے مل کر تربیت پا گئیں، اور کسی بھی ڈیٹا حجم پر صرف حتمی جواب کی نگرانی سے کوئی غلط فہمی حاصل نہ ہوئی، جس سے قدم کی سطح کے حل کے ٹریس ہی بنیادی شرط رہے۔

نو سمولیشن طریقوں کو 382 روکے گئے ریاضی کے مکالموں پر سات حوالہ جاتی میٹرکس کے سامنے بینچ مارک کرنے پر، پرامپٹنگ مکالمے کے افعال (0.4998 بمقابلہ 0.6840)، ROUGE-L (0.1648 بمقابلہ 0.3212) اور کوزائن مماثلت (0.5460 بمقابلہ 0.7390) میں فائن ٹیوننگ سے پیچھے رہی (Scarlatos وغیرہ، 2026)۔ تاہم سب سے بہتر جانچا گیا طریقہ، 8B ماڈل پر ترجیحی اصلاح، زیرِ نگرانی فائن ٹیوننگ سے صرف معمولی بہتر تھا اور غلطیوں میں بدتر، اور تین ٹیوٹروں والے انسانی جائزے نے وہی درجہ بندی دہرائی۔

معماری وہ نافذ کر سکتی ہے جو پرامپٹنگ نہیں کر سکتی: ایک نیورو سمبولک سمولیٹر جو خود ضابطہ سیکھنے کی ساخت کو نیم مارکوف کنٹرولر اور نقص داخل کرنے والی علمی پیروی کے ذریعے مسلط کرتا ہے، رویے کے انحراف میں 0.53 کی بنیاد کے مقابلے میں 0.31 تک پہنچا (Wang وغیرہ، 2026)۔ اس کی میٹا کوگنیشن اصطلاحات بنیادوں میں داخل کرنے سے کبھی 0.63 سے بہتر نہ ہوا، سمبولک کنٹرولر ہٹانے نے انحراف کو 6.81 تک دھکیل دیا، اور 71 درجہ دہندگان کے ٹیورنگ ٹیسٹ میں اس کے ٹریس حقیقی طلبہ سے ناقابلِ امتیاز رہے (52.8%، d′ = 0.15)۔

سمولیشن شدہ طلبہ کے ساتھ AI کی جانچ

پیدگوجی کا جائزہ لینے سے آگے، نقل شدہ طلبہ خود AI نظاموں کی جانچ کے لیے ٹیسٹ ہارنیس کا کام دیتے ہیں — یعنی یہ جانچنے کا ایک کنٹرول شدہ طریقہ کہ AI حقیقی طلبہ تک پہنچنے سے پہلے متنوع سیکھنے والوں کے پروفائلوں پر کیسا برتاؤ کرتا ہے۔ López-Pernas وغیرہ (2026) اس کی مثال دیتے ہیں: انہوں نے تین LLM کے ساتھ 4,500 مصنوعی طالب علم ونیٹ بنائے تاکہ یہ جانچا جا سکے کہ موجودہ بڑے لسانی ماڈل ہدایتی لرننگ اینالیٹکس تجویز کنندگان کا کردار ادا کر سکتے ہیں یا نہیں، اور طالب علم کی ضرورت کے لیے محدود حساسیت اور ماڈلوں کے درمیان واضح عدم تسلسل پایا۔ نقل شدہ گروہوں کا استعمال کسی AI کی سفارشات کا دباؤ ٹیسٹ کرنے کے لیے (نہ کہ صرف ٹیوٹروں کی تربیت یا جائزے کے لیے) اس نمونے کا بڑھتا ہوا کردار ہے، جو تعلیم میں AI کا جائزہ سے اور، جب جانچ کا مقصد سیکھنے والوں کی اقسام کے درمیان متفاوت سلوک سامنے لانا ہو، مساوات سے گہرا جڑا ہے۔

ایک تیز تر اعتبار کا امتحان یہ پوچھتا ہے کہ آیا ماڈل انسانی انتخاب کی نقل کرتا ہے بھی یا نہیں: ایک موافق خود ہدایت سیکھنے کے کھیل میں، پانچ فرنٹیئر ماڈلوں نے ایک ہی حل کا فائدہ اٹھایا جہاں 175 انسانی شرکا نے مختلف مقاصد کے تحت کھوج کی، چنانچہ سیکھنے والوں کی نمائندگی کرنے والا ماڈل اُس رویے کو چھوڑ بیٹھا جس کی نقل کے لیے سمولیشن موجود ہے (Molinaro وغیرہ (2026)).

سمولیشن سیکھنے والے کے انتخاب کو بھی پیشگی جانچ سکتی ہے: Noh وغیرہ (2026) نے دو حقیقی ٹیوٹرنگ ڈیٹا سیٹوں پر Additive Factors Model اور Bayesian نالج ٹریسنگ فٹ کیا اور 1,000 نقل شدہ سیکھنے والوں کو آٹھ حکمت عملیوں کے تحت مہارتیں چننے دیں، جہاں خطرے سے بچنے والے قاعدے نے باقیوں کے مقابلے میں تقریباً تیس گنا زیادہ ضرورت سے زیادہ مشق پیدا کی اور مہارت سے ذرا نیچے کی قید نے اسے 1.8 گنا تک کم کر دیا۔

دوسرا جانچ کا انداز میٹا کوگنیشن اور جذباتی ہے۔ MEDS (Esposito وغیرہ، 2026) ایک 28,000 ریکارڈ کا ڈیٹا سیٹ ہے — 14 ماڈلوں میں سے ہر ایک کے لیے 2,000 مصنوعی شخصیتیں، ہر ایک کو بیک وقت انسانی شخصیت اور بنیادی اسسٹنٹ دونوں کے طور پر چلایا گیا — جو 18 ہائی اسکول ریاضی کے مسائل پر درستگی کے ساتھ خود رپورٹ شدہ اعتماد اور وہ خود اعتمادی اور ریاضی کی بے چینی کے اسکور درج کرتا ہے جو اُن سیکھنے والوں کی طرف سے ہوتے جن کی وہ نمائندگی کرتا ہے۔ اس کا جانچ کا اشارہ کیلیبریشن کا خلا ہے: Qwen خاندان اور Ministral 3B نے 0.90 سے زیادہ اعتماد کا دعویٰ کیا جبکہ درستگی تقریباً 0.55 پر ٹھہری رہی، جبکہ Grok 4.1 Fast، DeepSeek Chat اور Mistral Small کی کئی اقسام کم اعتماد والے تھے اور Ministral 14B اور Anita 24B معقول حد تک ہم آہنگ رہے۔ یہی رنز وفاداری کی ایک خاموش ناکامی بھی سامنے لاتے ہیں: انسانی حالت والی شخصیتوں نے وسیع، معقول اسکور تقسیمیں دیں، مگر بنیادی اسسٹنٹس نے تقریباً یکساں، پراعتماد، کم بے چینی والے جوابات دیے — یعنی ایک طے شدہ خود نگاری، نقل شدہ سیکھنے والے کی نہیں۔ یہ اوپر والی تجویز کنندہ جانچ کو آگے بڑھاتا ہے کیونکہ یہ جانچتا ہے کہ ماڈل اپنی قابلیت اور جذبات کے بارے میں کیا دعویٰ کرتا ہے، اور اس صفحے کی اعتبار کی تنبیہ کو ایک غیر متوقع سمت سے تیز کرتا ہے: چونکہ MEDS کی شخصیتیں نمونہ لینے کے بجائے تعمیر کے لحاظ سے وزن شدہ ہیں، اس کے مصنفین ڈیٹا سیٹ کو پرامپٹ سے مشروط GenAI رویے کی جانچ کے لیے ایک مشاہداتی وسیلہ قرار دیتے ہیں اور واضح طور پر حقیقی طالب علم ڈیٹا کا نعم البدل نہیں۔

اشتراکی اور سماجی حرکیات کی سمولیشن

سمولیشن انفرادی سیکھنے والوں سے آگے بڑھ کر اشتراکی سیکھنے کی سماجی حرکیات کی نقل تک بھی پہنچتی ہے۔ شریک کے لحاظ سے مخصوص LLM ایجنٹ — Fang (2026) نے LLaMA 3.2-3B ایجنٹس کو انفرادی شرکا کے مکالمے کے ڈیٹا پر فائن ٹیون کیا تاکہ اشتراکی مسئلہ حل کرنے کی سمولیشن میں ہر شریک کی نمائندگی کر سکیں، اور سلائیڈنگ ونڈو میموری کو خلاصہ شدہ میموری ایمبیڈنگز کے ساتھ ملا کر مقامی باری باری اور موضوعاتی تسلسل دونوں محفوظ رکھے، اور تجرباتی تقسیموں سے بولنے والوں اور موضوعاتی کوڈز کا احتمال کے مطابق انتخاب کیا۔ Epistemic Network Analysis (ENA) استعمال کرتے ہوئے، نقل شدہ مکالمے حقیقی مکالموں سے اعداد و شمار کے لحاظ سے ناقابلِ امتیاز رہے (ENA فاصلہ 0.17، جو 95ویں صدی کے null حد کے اندر ہے؛ پرمیوٹیشن p = 0.65)، جس سے تصدیق ہوتی ہے کہ LLM ایجنٹ حقیقی اشتراکی مسئلہ حل کرنے کی باری باری کی حرکیات اور موضوعاتی کوڈ کے راستے دونوں کی نقل کر سکتے ہیں۔

2026 کا پائیدار مہارتوں والا کام سمولیشن کی معمول کی سمت کو اُلٹ دیتا ہے۔ نظام کو جانچنے کے لیے طالب علم کی سمولیشن کرنے کے بجائے، نظام طالب علم کا جائزہ لینے کے لیے ساتھیوں کی سمولیشن کرتا ہے: ایک Executive LLM 30 منٹ کے گروپ کام میں ہر AI ساتھی کی باریاں پیدا کرتا ہے، اسکورنگ کا ربرک سنبھالتا ہے، اور گفتگو کو ایسے مواقع پیدا کرنے کی طرف موڑتا ہے جہاں ہدف مہارت ظاہر ہو (Globerson وغیرہ، 2026)۔ 188 شرکا کی 373 گفتگوؤں میں، مہارت سے مطابقت رکھنے والی رہنمائی نے قابلِ درجہ شواہد کو پروجیکٹ مینجمنٹ کے لیے 92.4% اور تنازع کے حل کے لیے 85% تک بڑھا دیا، جو غیر محدود آزاد ایجنٹوں سے نمایاں طور پر زیادہ ہے، جبکہ AI جائزہ لینے والے کو دو انسانی درجہ دہندگان کے خلاف کیلیبریٹ کیا گیا جن کا اپنا بین الریٹر Kappa صرف 0.45 سے 0.64 تھا — یہ ایک کارآمد یاد دہانی ہے کہ سمولیٹر کی حد وہ اتفاق طے کرتا ہے جو انسان اس تصور پر پہنچ سکیں۔

سمولیٹر کے خلاف تربیت سفر بھی کر سکتی ہے: TutorLoop کا ری انفورسمنٹ لرننگ ایجنٹ، جو نقل شدہ طالب علم کے خلاف آف لائن تربیت پایا، بغیر کسی دوبارہ تربیت کے نئے حقیقی سیکھنے کے کام پر جوں کا توں منتقل ہو گیا (N = 187)، جہاں اس کا کم مگر بہتر وقت والا فیڈبیک زیادہ گھنے فیڈبیک سے بہتر کارکردگی دکھاتا رہا (Xu اور Zhang، 2026).

عام غلط فہمیاں

• ”LLM طلبہ کافی اچھے نائب ہیں۔“ سمولیشن سب سے آسان طلبہ کو محیط ہوتی ہیں، اور بہت کم کی تصدیق ہوتی ہے: بارہ اساتذہ جنہوں نے LLM طلبہ کو پڑھایا، نے حد سے زیادہ پیچیدہ زبان، غائب جذبات اور حقیقی سیکھنے والوں سے دیگر انحرافات کی شکایت کی۔ نائب آسان کیس کی ماڈلنگ کرتا ہے۔
• ”علمی خلا والا نقل شدہ طالب علم اُس خلا والے سیکھنے والے کی طرح برتاؤ کرتا ہے۔“ Mistral-7B میں 16 نشانہ بنائے گئے علمی اجزا دبانے سے درستگی 10% بھولنے کے تناسب پر تقریباً 0.75 سے 40% پر 0.5 سے نیچے آ گئی، جبکہ بنیادی ماڈل برقرار رہا۔ یہ بگاڑ انجنیئر کیا گیا تھا، اور یہی اسے نقل کے بجائے کنٹرول شدہ مداخلت بناتا ہے۔
• ”شخصیت کا استحکام ماڈل کے انتخاب کا مسئلہ ہے۔“ یہ تعامل کے ڈیزائن کا مسئلہ ہے: پانچ LLM کو تین پرامپٹ ڈیزائنوں اور ADHD کی شدت والی چار شخصیتوں کے ساتھ ملا کر، سکرپٹ شدہ فرق ماڈل کے بجائے پرامپٹ کے ڈیزائن کی پیروی کرتا رہا۔ بہتر ماڈل چننا غیر مستحکم شخصیت کو ٹھیک نہیں کرتا۔

منسلک تصورات

• سیکھنے والے — سیکھنے والے: سیکھنے والے کی طرف کے تصورات کی چھتری
• سمولیشن
• طالب علم کی ماڈلنگ اور انطباقی تدریس
• AI کی مدد سے تعلیمی تحقیق — AI کی مدد سے تعلیمی تحقیق
• نالج ٹریسنگ
• علمی تشخیص
• ایجنٹک AI
• تدریسی ایجنٹ
• ذہین ٹیوٹرنگ
• انطباقی سیکھنا
• ذاتی نوعیت کی سیکھنا
• جنریٹو AI
• بڑے لینگویج ماڈلز (LLMs)
• لرننگ اینالیٹکس
• تدریس

منسلک مضامین

• To Align Long, Plan Short: Simulating Diverse Profile-Aligned Students by Realizing Short-Term Plans in Long-Horizon Learning Environments — ALPS: درجہ بند منصوبہ بندی نقل شدہ طلبہ کو لمبے افق پر پروفائل کے مطابق رکھتی ہے (Radmehr وغیرہ 2026)

• Comparing Human Role-Players and LLM-Simulated Clients in Online Counselling Training: An Analysis of Counselling Patterns — نقل شدہ مشاورتی مؤکل تیزی سے مسئلہ بتا دیتے ہیں، چنانچہ تربیت پانے والے سہولت بخش اعتدال چھوڑ دیتے ہیں

• HACHIMI-II: From Role-Play to Learner Behavior Modeling for Faithful Student Simulation — HACHIMI-II: رول پلے سے سیکھنے والے کے رویے کی ماڈلنگ تک، وفادار طالب علم سمولیشن کے لیے

• TutorLoop: Regulating Student Learning Behaviors via Sensor-in-the-Loop Generative Feedback — سمولیٹر سے تربیت یافتہ ری انفورسمنٹ لرننگ ٹیوٹر آف لائن نئے حقیقی کام پر منتقل ہوا (Xu اور Zhang 2026)

• Can LLMs Effectively Simulate Human Learners? Teachers' Insights from Tutoring LLM Students — کیا LLM انسانی سیکھنے والوں کی سمولیشن کر سکتے ہیں؟ اساتذہ کی بصیرتیں

• Simulating Students or Sycophantic Problem Solving? On Misconception Faithfulness of LLM Simulators — طلبہ کی سمولیشن یا چاپلوسانہ مسئلہ حل کرنا؟

• LLM-Based Educational Simulation: Evaluating Temporal Student Persona Stability Across ADHD Profiles — LLM پر مبنی تعلیمی سمولیشن اور طالب علم کی شخصیت کا استحکام

• Simulating Students' Java Programming Errors with Large Language Models — طلبہ کی Java پروگرامنگ کی غلطیوں کی سمولیشن

• The Empirically Grounded Adaptive Virtual Patient for Psychotherapy Training: Disclosure That Responds to Therapist — سائیکو تھراپی کی تربیت کے لیے موافق ورچوئل مریض

• MedEasy: Designing AI Standardized Patients for Clinical Consultation Training — MedEasy: AI معیاری مریض

• Embracing Imperfection: Simulating Students with Diverse Cognitive Levels Using LLM-based Agents — ناقص پن کو قبول کرنا: متنوع علمی سطحوں کی سمولیشن

• INSIDE the Student's Mind: Jointly Modeling Latent Reasoning and Action in LLM Student Simulators

• TeachLM: Post-Training LLMs for Education Using Authentic Learning Data — TeachLM: مصنوعی مکالموں کے لیے فائن ٹیون شدہ مستند طالب علم ماڈل

• EducaSim: Interactive Simulacra for CS1 Instructional Practice — EducaSim: جنریٹو ایجنٹ اساتذہ کی مشق کے لیے CS1 سیکشن کی سمولیشن کرتے ہیں

• Responsible Integration of AI into Pedagogies of Practice in Mathematics Teacher Education — ریاضی کے اساتذہ کی تربیت میں مشق کی پیدگوجی میں AI کا ذمہ دارانہ انضمام

• CogEvolution: A Human-like Generative Educational Agent to Simulate Student's Cognitive Evolution — CogEvolution: طلبہ کے علمی ارتقا کی سمولیشن کرنے والا جنریٹو ایجنٹ

• Can AI deliver appropriate support for diverse student profiles? A large-scale evaluation — کیا AI متنوع طالب علم پروفائلوں کے لیے مناسب سہارا دے سکتا ہے؟ ایک بڑے پیمانے کا جائزہ

• Modelling Individual Participants as LLM Agents in Collaborative Problem Solving Simulations — فائن ٹیون شدہ شریک کے لحاظ سے مخصوص LLM ایجنٹ اشتراکی مسئلہ حل کرنے کے مکالمے دہراتے ہیں (Fang 2026)

• StudentSim: Training LLM-based Student Simulators — StudentSim: LLM پر مبنی طالب علم سمولیٹروں کی تربیت

• AI Web Agents Can Effectively Guide Lesson Design and Predict Student Outcomes — AI ویب ایجنٹ: اسکول چھوڑنے کی پیش گوئی اور ڈیزائن پر تنقید کے لیے ایک اکیلا بیان کرنے والا ایجنٹ طلبہ کی تقسیم کی سمولیشن سے بہتر ہے

• Simulating Learners' Task-Selection Strategies and System Constraints in Mastery Learning — مہارت کی سیکھائی میں سیکھنے والوں کی ٹاسک انتخاب کی حکمت عملیوں اور نظام کی قید کی سمولیشن (Noh، Chowdhary، Ooge، Aleven اور Borchers 2026)

• Towards Scalable Measurement of Durable Skills — پائیدار مہارتوں کی قابلِ توسیع پیمائش کی طرف

• Toward Agent-based Educational Science: Rethinking Educational Research in the Age of AI — ایجنٹ پر مبنی تعلیمی سائنس کی طرف: سمولیشن کا آلہ بطور تحقیقی اوزار (Zhang، Jiang اور Tang 2026)

• Math Education Digital Shadows for facilitating learning with LLMs: Math performance, anxiety and confidence in simulated students and AIs — MEDS: نقل شدہ طلبہ اور AI اسسٹنٹس میں ریاضی کی کارکردگی، اعتماد اور بے چینی کا 28,000 ریکارڈ کا جائزہ

• SWIM: Student Writing Simulation via Proficiency-Conditioned Generation — طالب علم کے تحریری سمولیٹر کے لیے پرامپٹنگ بمقابلہ SFT بمقابلہ انعام پر مبنی تربیت

• Misconception Acquisition Dynamics in Large Language Models — سمولیٹر کے پاس کوئی غلط فہمی قائم رکھنے کے لیے تربیتی ڈیٹا میں کیا ہونا ضروری ہے

• Can LLMs Model Incorrect Student Reasoning? A Case Study on Distractor Generation for Multiple-Choice Questions — ماڈل کس طرح غلط طالب علم استدلال کی سمولیشن کرتے ہیں، اس کا ٹریس کی سطح پر تجزیہ

• Exploring the Capacity of Large Language Models to Simulate Students' Scientific Thinking: Insights for Responsive Teaching — 8,820 سبق میں شامل سائنس خیالات کے سامنے چھ ماڈل: کہاں نقل شدہ استدلال نوجوان سیکھنے والوں کے دائرے، الفاظ اور یقین سے تجاوز کرتا ہے

• Simulated Students in Tutoring Dialogues: Substance or Illusion? — نو طالب علم سمولیشن طریقوں کا سات میٹرک والا بینچ مارک، تین ٹیوٹروں والے انسانی جائزے کے ساتھ

• Simulating Novice Students Using Machine Unlearning and Relearning in Large Language Models — مشین اَن لرننگ بطور طریقہ کہ سمولیٹر کو مستحکم نوزائیدہ علمی سطح پر رکھا جائے، اور تدریسی گفتگو کے ذریعے دوبارہ سیکھنا

• Student Development Agent: Risk-free Simulation for Evaluating AIED Innovations — کثیر ایجنٹ پلیٹ فارم پر طلبہ کے کورس کے بعد کے ترقیاتی نتائج کی پیش گوئی، اُنہیں مداخلت کے سامنے لائے بغیر

• Preservice mathematics teachers’ noticing in AI-based simulations: transitions among attending, interpreting, and shaping — مساوی علامت والی چیٹ بوٹ سمولیشن میں پری سروس اساتذہ کی تین ہفتوں کی توجہ، تشریح اور تشکیل، اور ڈیزائن کیسے طے کرتا ہے کہ وہ کیا نوٹ کریں

• BEAGLE: Behavior-Enforced Agent for Grounded Learner Emulation — ایک نیورو سمبولک سمولیٹر جو SRL ساخت کو پرامپٹ کے بجائے معماری کے ذریعے نافذ کرتا ہے، اور انسانی ٹیورنگ ٹیسٹ پاس کرتا ہے

• Language Model Goal Selection Differs from Humans in a Self-Directed Learning Task — خود ہدایت سیکھنے کے کام میں لسانی ماڈل کا مقصد کا انتخاب انسانوں سے مختلف ہے