如何让模拟学生表现得像真实学习者？

本页是英文页面的机器翻译，尚未经母语者审校。

模拟学生很容易做得令人信服，却很难做得真实。让一个通用模型扮演遇到困难的学习者，它会产出流畅而貌似合理的困惑——"不知道"的正确词汇，用着正确的语气。然后再问它这个学生被纠正后会说什么，它会不动声色地把正确答案说出来。

这个差距就是问题的全部，而它不是一个写出更好人物设定提示（persona prompt）就能解决的。本页面向所有构建模拟器、或用模拟器来演练和测试的人，讲的是究竟是什么让模拟学习者真正表现得像学习者。

简短的版本

模型被训练得乐于助人且正确。学习者两者都不是。所以要做的工作是约束模拟器知道什么以及这些知识如何变化，然后再检查它的行为是否像学习者，而不只是听起来像。单靠提示（prompting）达不到这一点；下面的证据相当一致地表明，提示设下了一个上限，而训练或结构可以移除这个上限。

从知道你没有模拟什么开始

对任何准备信任模拟器的人来说，最有用的发现与覆盖度有关。辅导过 LLM 学生的十二位教师报告了语言过于复杂、缺乏情感、不自然的专注以及无法解释的知识跳跃——而这些模拟只覆盖了真实学生行为四个象限中的一个（Martynova et al., 2026）。它们覆盖的那个象限恰恰是最容易模拟的一个。

这一点之所以重要，是因为几乎没有人去检查。只有 3% 的模拟学习者研究在使用后对模拟器做了验证。如果你构建了模拟器却没有验证，你属于绝大多数，而且也正是这条统计数字值得引用的原因。

能力悖论：你的模拟器知道得太多了

核心难点在于，一个能力很强的模型很难假装自己只是部分知道。研究称之为能力悖论：让通用能力很强的模型去模拟知识不完整的学习者，会产生不切实际的错误模式和学习动态。

这种漂移是有方向的，而且它指向最需要被模拟的那些学习者。对照从 49 节符合 NGSS 的科学课中抽取的学生想法，六个模型把大多数想法保持在预期知识范围内、大约三分之二处于或低于目标阅读水平——但恰恰在学习者最年幼的地方越界。小学和初中的想法更常超出目标年级的知识范围和阅读水平，而整个语料库也更偏向更宽的推理、更专业的词汇，以及比真实课堂想法更少的不确定性标记（"也许"、"看起来"）（Nguyen and Cao, 2026）。

该研究还有两点实用的观察。模型选择不是单一维度的——一个能紧密贴合课堂想法的系统，仍可能把这些想法讲得超出年级水平。而修复手段往往是教学性的而非架构性的：一条明确的年级水平重新提示就能把大多数模型拉回范围之内。

表面真实是错误的目标

一个听起来像学生的模拟器，可能仍然并不持有学生的信念，而常规的质量检查分辨不出两者的差别。

这个失败是可以量化的。在从 4B 到 120B 参数的七个模型上，无论收到什么反馈，模拟器都以近乎一致的比率翻转到正确答案——所以输出相似度完全不能说明背后的信念状态。针对选择性翻转分数（Selective Flip Score）进行训练，使忠实度最高提升 +0.56（Do, Sonkar & Sachan, 2026）。如果你想让模拟器持有某个错误概念，你必须为这个属性去训练；你无法从文本里读出来。

相反的失误也会发生，这就是为什么"它看起来像人吗"在两个方向上都是很弱的检验。在一项盲测研究中，专家标注者把 196 个中的 164 个（83.7%） LLM 生成的 Java 提交误判为人类所写——这些错误与真实错误在功能上无从区分。而与真实错误的对齐程度随着题目难度上升而下降（Keramati et al., 2026）。

提示设下了一个训练可以移除的上限

SWIM 是对三种方法最清晰的比较，因为它按每条生成的作文与其目标特质画像的匹配度打分，而不是凭印象判断：

• 基于评分量规的提示：即使对很强的专有模型也只有有限的控制力——最好的平均特质 QWK 为 0.577（Claude Sonnet）、0.422（GPT-5.4），一个开源的 7B 模型则接近于零。
• 在真实"分数—作文"配对上的监督微调：该 7B 模型为 0.474 ± 0.023。
• 使用由自动作文评分导出的奖励的 GRPO：0.618 ± 0.005，且增益在两个策略从未训练过的独立评分器上依然成立（SWIM: Student Writing Simulation via Proficiency-Conditioned Generation）。

提示还产出了一个理想化的总体而非真实的总体：归一化总体均分为 0.74，而真实学生是 0.58；中位长度为 304 词，而真实为 167。受训模型在没有任何长度监督的情况下恢复了人类的分数与长度分布。

有一点始终很难，值得在承诺真实性之前知道：真实的低水平形式。受训模型恢复了句法，但写出的拼写和语法错误太少；而提示则主要通过表面化的破坏来模拟弱点——在原本老练的行文中到处撒拼写错误。

两种约束模拟器知识的方法

如果模型知道得太多，你可以指定它应处的状态，或者把知识拿掉。

以认知状态而非人物设定为条件。 一个免训练框架从 知识图谱 构建每个学生的认知原型，并据此对束搜索候选打分，报告模拟准确率提升 100%（Wu et al., 2025）。它的质量随学生的认知水平上升，这是要带走的发现：较弱的学习者仍然是更难的情形——考虑到他们通常才是重点，这相当不幸。建模认知动态比静态人物设定走得更远——CogEvolution 基于 ICAP 的状态更新达到 R²LC = 0.92，而静态智能体为 0.45，去掉其 ICAP 模块后降至 0.58（Zhang et al., 2026）。

或者把知识移除。 在 Mistral-7B 中抑制 16 个定向知识组件，在遗忘比为 10% 时准确率从约 0.75 降至 40% 时的低于 0.5，而基础模型保持在约 0.85——并且被抑制的知识被证明可以通过监督式再学习和教练引导的对话恢复（Song, Guo & Lin, 2026）。这是最接近直接"制造新手"的做法，如果你希望模拟器在会话过程中学习，可恢复性是一个优点。

让交互脚本化，而不是让人物设定脚本化

事实证明，人物设定的稳定性是一个交互设计问题，而非模型选择问题。将五个 LLM 与三种提示设计和四种 ADHD 强度人物设定交叉组合，脚本化的任务锚定交互消除了观察者评定的行为漂移——比无脚本对话减少多达 97%。而在没有明确人物设定指令的情况下，基线学生表征向高 ADHD 症状倾斜（Gonnermann-Müller, Haase & Leins, 2026）。

实用的读法是：如果你的模拟器会漂移，修复点可能在于你逐轮要求它做什么，而不在于你选了哪个模型或如何描述这个学生。

沿两个轴检验，而不是一个

对"这个模拟器好不好"最清晰的形式化来自 StudentSim，它要求两件事同时成立：

• 行为忠实度（behavioral fidelity）——模拟器与真实学生自身反应的匹配程度。
• 引导响应性（guidance responsiveness）——它在多大程度上可靠地向导师引导所指的方向更新。

它的基准测试把公开学习者语料库（国际象棋、作为第二语言的英语写作、数学）转化为逐学生的协议，任何模拟器都在该协议上拟合、并在留出记录上评分。结果是一个有用的诊断：特定领域的状态跟踪在响应性上弱，纯提示的 LLM 角色扮演在忠实度上弱（Yang et al., 2026）。一个模拟器可能通过一项测试而失败于另一项，所以两项都要报告。

作为概念验证，一个冻结的 StudentSim 被用作国际象棋导师 强化学习 循环中的奖励，训练出的导师被专家评为比用前沿 LLM 模拟器奖励训练、或完全不做 RL 训练的导师更准确、引导更好、更个性化。一个好的模拟器不只是测量工具——它还可以是训练信号。

对照真实学习者验证，而不是对照你的直觉

两个基准测试展示了验证的成本与收益。

在最大的公开真实"学生—导师"数学对话语料库的 382 段留出对话上，把 九种模拟方法与 七种基于参考的指标对比，提示在对话行为（dialogue acts）上落后于微调（0.4998 对 0.6840）、ROUGE-L（0.1648 对 0.3212）以及余弦相似度（0.5460 对 0.7390）。但所测最好的方法——在 8B 模型上做偏好优化——只以微弱优势超过监督微调，而且在错误上更差，三人导师的人类评估重现了同一排序（Scarlatos et al., 2026）。教训是：这个阶梯的顶端并不比中间高出多少，所以你的模拟器与基线之间的大差距比小差距更有信息量。

学生模拟器也重现可观察的行为，却不重现其背后的潜在推理。INSIDE 微调模型在每次行动前先生成一段内部对话，在生成的推理与真实代码编辑之间达到最高对齐——熟悉问题上 51.8%，未见问题上 57.9%——且不损失行为忠实度（Niousha et al., 2026）。如果你在乎你的模拟学生为什么做了某件事，那么行为层面的忠实度是不够的。

有时候，一段描述胜过一次模拟

在你构建一个群体之前值得知道的一个结果是：对于在学生参与之前评估在线学习体验——预测辍学和完成率，并给出设计反馈——一个单一的**"描述型"** 网页智能体走完课程并产出对体验的丰富描述，其表现优于直接模拟一群学生。

该比较中的模拟学生表现出的行为范围远小于真实学习者：在五门测试课上、100 个智能体中，它们只重现了真实学生所走路径的约 4%，同时耗费了多得多的算力。"描述—预测"流水线在一个庞大的全球 CS1 课程上取得了最好的辍学分布预测（平均 JSD 0.060，击败所有基线）（Wang, Mitchell & Piech, 2025）。

它划出的边界很有用：当目标是结果预测或设计评审时，模拟学习者的一个分布可能没有必要——甚至适得其反。当覆盖真实的学习者差异真正重要时（例如审计 AI 对不同画像的对待方式，或给教师提供一个可演练的对手），模拟才值得它的成本。

信任一个模拟器之前的检查清单

1. 写下你没有覆盖的学习者。模拟倾向于抓住最容易的那个象限。

2. 检验信念状态，而不是行文。问模拟器被纠正后会说什么；一个翻转到正确答案的模拟器并没有持有那个错误概念。

3. 如果忠实度重要，不要单靠提示。提示设下了一个训练或结构可以移除的上限。

4. 决定你将如何约束知识——指定认知状态，或者移除知识——而不是描述一个人物设定。

5. 把交互脚本化，而不只是人物设定。任务锚定的轮次能大幅削减行为漂移。

6. 分别给行为忠实度和引导响应性打分。模拟器可能通过一项而失败于另一项。

7. 对照真实学习者数据验证，并报告你击败的基线。这里最好的方法只比下面的方法好一点点。

8. 在构建一个群体之前，先检查一个单一描述型智能体是否能更便宜地回答你的问题。

9. 预期最弱的学习者是最难的情形，并在你的模拟器将被用于对他们下结论时说明这一点。

相关问题

• 我们如何知道一个教育 AI 是正常工作，而不只是分数好看？ — 如何评估你用来对照模拟器的系统
• 如何应对关于教育中 AI 的常见误解？ — 模拟学生能否在研究代替真实学习者
• 如何让 AI 在我们自己的学科中更好地支持学习？ — 上述微调结果背后的训练方法
• 模拟学生 — 完整的概念页面