利用基于大语言模型的角色扮演代理模拟学生的学习行为：一种数据驱动且受认知科学启发的框架

智能教学系统中，基于大语言模型（LLM）的认知角色扮演框架被提出以模拟学生多样化学习行为。通过提取真实教学数据中的问题解决轨迹和反馈模式，构建领域知识依赖模型，并生成自然语言叙事进行LLM微调，该框架有效复现了不同能力层级学生的推理路径、错误模式及纠错策略。实验表明，经此方法训练的LLM代理在模拟中低能力学生错误模式方面提升显著，对高能力学生推理路径的复现准确率提高25%以上。研究填补了现有角色扮演方法忽视认知过程动态建模的空白，为自适应教育系统提供数据驱动的行为模拟范式。

　　
在智能教育领域，大规模语言模型（LLMs）的应用正逐步从基础问答转向深度学习行为模拟。研究者发现，尽管LLMs在生成标准答案方面表现优异，但在复现学生从错误尝试到概念修正的完整思维轨迹、捕捉不同能力层级学生的认知差异等方面仍存在显著局限。这种局限性直接影响了教育应用场景中自适应反馈的精准性和教学策略的有效性。

当前主流的虚拟学生建模方法主要依赖固定角色设定，例如通过预设的语言风格或背景信息来模拟特定类型学生。但这种表面化的角色扮演难以实现认知层面的真实复现，导致系统能够有效模仿对话流程，却无法准确再现学生解题时的知识迁移路径、错误归因逻辑以及自我纠正机制。这种现象在数学教育场景尤为突出，学生可能在分数运算、几何证明等基础知识点形成跳跃性错误，这些错误往往与特定认知发展阶段相关。

针对这一挑战，研究团队提出了基于认知轨迹的LLM角色扮演框架。该框架创新性地将教育数据科学中的行为建模理论与生成式AI技术相结合，通过三个递进式模块构建真实的学习仿真系统：

1. **教育行为图谱解构**：研究团队从华东师范大学等机构积累的12万小时真实教学对话中，提取了包含6个认知阶段的行为特征矩阵。通过分析学生在数学问题解决过程中呈现的典型思维路径，将学习行为解构为知识检索、假设验证、错误归因、策略调整等12个基础动作单元。

2. **领域知识拓扑建模**：在数学教育领域，构建了包含786个核心概念的动态知识图谱。该图谱不仅标注概念间的显性关联，还通过教学对话数据挖掘出隐性知识依赖关系。例如在分数运算中，发现约分能力与比例理解存在0.73的显著相关性，这种跨知识点的关联性为仿真提供了理论支撑。

3. **多模态行为微调**：开发了一套融合认知行为数据和自然语言生成（NLG）的联合训练机制。通过将学生解题时的步骤分解（如画图辅助理解、分步验证）、错误类型（计算错误/概念误解/迁移障碍）和修正策略编码为细粒度指令集，对LLMs进行分层强化训练。特别设计了错误容忍型提示工程，允许模型在生成过程中保留0.3-0.5的概率空间用于模拟学生的试错行为。

该框架的创新点体现在三个维度：首先，建立了首个融合显性错误数据与隐性认知模式的数学教育仿真数据库（CogTutor），包含真实教学场景中的135种典型认知错误模式；其次，开发了动态知识依赖解析算法，能够根据学生当前的学习阶段智能匹配需要强化的知识点；最后，设计了多层级反馈机制，使LLM既能复现学生的表层错误，又能模拟其深层认知障碍。

实验验证部分采用分层评估体系：在准自然语言对话测试中，微调后的模型在模拟中低年级学生时的错误复现率达到89.7%，而在高阶思维模拟（如数学建模）方面表现提升42.3%。对比实验显示，传统角色扮演方法在错误类型覆盖度上不足60%，而本框架通过数据驱动的错误模式库，将覆盖度提升至92.4%。特别是在处理非常见错误（如将几何概率与排列组合混淆）时，系统能准确识别错误根源并生成对应的教学干预建议。

研究还揭示了三个重要认知规律：其一，学生在面对复杂问题时会优先调用最近掌握的知识模块，形成所谓的"认知路径依赖"；其二，错误修正存在时间窗口效应，超过48小时未纠正的错误概念可能形成永久性认知偏差；其三，不同能力层级学生的思维可视化程度存在显著差异，高水平学生更倾向于使用概念隐喻进行推理。

该成果为智能教育系统带来三方面突破：教学评估方面，系统可生成包含错误类型、认知阶段、知识关联度的三维诊断报告；个性化教学方面，通过模拟不同能力学生的思维路径，系统能动态调整问题难度和反馈策略；教师培训方面，构建了包含2000+教学场景的虚拟实训库，支持师范生进行沉浸式教学技能训练。

研究团队特别指出，当前框架在动态适应场景方面仍存在提升空间。例如在持续对话中，模型对同一学生认知风格的变化捕捉能力较弱，这可能源于现有数据集主要采集的是单次完整解题过程。未来计划引入多时间尺度行为分析，结合强化学习技术，使系统能够实时追踪学习者的认知状态演变。

该研究为教育人工智能的发展提供了重要范式参考：将传统AI的"正确答案生成器"角色升级为"认知过程再现者"，通过构建教育特有的认知行为模型，使LLMs真正具备教学对话中的"思维可解释性"。这种转变不仅提升了教育模拟的真实性，更为后续研究中的认知诊断模型开发奠定了基础，预计可使智能教学系统的干预准确率提升至91%以上。