综述：沉浸式虚拟现实学习环境中的虚拟教育代理：术语、概念化和分类学需求的范围综述

《Computers》：Virtual Educational Agents in Immersive Virtual Reality Learning Environments: A Scoping Review of Terminology, Conceptualizations, and Taxonomy Requirements

　　

沉浸式虚拟现实学习环境（IVRLEs）的增长与大量为其用户提供支持的虚拟教育代理的出现相吻合。研究人员提出了各种术语来描述这些代理；然而，这种术语碎片化造成了概念模糊，使其难以比较。本范围综述的目的是梳理用于描述IVRLEs中教育代理的术语，并考察它们是如何被概念化的，用于区分它们的特征，以及它们所具有的教育角色和相关学习功能。此外，目标还在于确定相关分类学发展的需求。采用了Arksey和O'Malley的方法学框架以及PRISMA范围综述扩展（PRISMA-ScR）。在Scopus、Eric和LearnTechLib数据库中发现的1867篇发表于2015年至2026年间的文章中，有129篇符合纳入标准。研究结果揭示了显著的概念碎片化：类似的教育实体被用不同的术语描述，而相同的术语却经常被用于概念上不同的系统。诸如智能（intelligence）、具身化（embodiment）、交互模态（interaction modality）、适应性（adaptivity）、情感和社会特征（affective and social characteristics）以及上下文感知（context awareness）等特征区分了这些代理，而非仅凭术语。人工智能（AI）的进步进一步模糊了传统类别的边界。总体而言，本综述为未来旨在开发更连贯的概念框架和标准化方法以设计、分类和评估虚拟教育代理的研究提供了理论基础。

1. Introduction
虚拟现实（VR）已成为支持沉浸式学习体验的快速发展的技术之一，应用于正式教育、医疗保健、工程、语言学习、文化遗产和职业培训等多个教育领域。通过让学习者与逼真的3D环境和真实学习场景交互，VR促进了体验式学习、主动参与和情境化知识建构，这是传统教学方法难以实现的。图形技术、头戴式显示器（HMDs）和人工智能（AI）的持续进步进一步加速了沉浸式学习环境的采用，导致大量研究探讨其教育有效性、教学设计和学习者体验。随着沉浸式虚拟现实学习环境（IVRLEs）的演进，研究者越来越多地关注集成智能教育实体，以支持学习者在学习过程的不同阶段。早期应用主要采用能够提供教学解释、指导和反馈的教学代理（PAs）。然而，AI的最新进展显著扩展了这些实体的能力和多样性。当代IVRLEs现在包含了各种智能PAs，如虚拟导师和AI教学助理。这些系统在底层技术、特征和功能上存在显著差异。此外，用于描述它们的术语变得越来越异质和复杂。相似的系统经常被用不同的名称描述，而相同的术语却常被用于指代概念上不同的系统。例如，执行类似教学功能的系统可能被简单地称为PAs，但也可能被称为虚拟导师/教师、教育非玩家角色（NPCs）或虚拟人类，具体取决于技术视角或应用领域。同样，具身化、对话能力、自主性、个性化或自适应行为等特征，被不一致地视为不同类别的定义属性或现有类别的实现特征。因此，履行类似教学功能的系统在不同研究中常被分类不同，而概念上不同的系统可能被归入相同的术语。这使实证结果的比较复杂化，限制了跨研究的知识综合，阻碍了技术发展的解读，并难以建立连贯的设计原则。此外，基于AI的对话代理的出现引入了新的教育互动形式，进一步模糊了原有类别之间的界限，因为对话智能、自适应反馈、学习者建模、情感支持、多模态通信、上下文推理和自主决策可以结合在一个单一教育实体中。因此，仅基于术语的区分变得意义更小。尽管已有文献综述考察了这些代理（例如，[6,7,8]），但通常侧重于特定技术、教学方法或应用领域，而非研究教育代理本身在更广泛VR文献中的概念化。因此，关于描述教育代理的术语、不同类型之间的概念边界、用于区分它们的特征以及它们所扮演的教育角色，基本问题仍未解答。更重要的是，当前文献缺乏对概念不一致性和重叠的全面综合，这限制了理论发展和累积知识构建。现有的分类学主要针对传统2D学习环境开发，因此未能充分捕捉IVRLEs引入的额外维度，包括具身化、空间交互和AI驱动的适应性。为解决这一空白，本范围综述映射了IVRLEs中教育代理的概念景观。通过综合术语、概念化、区分特征、教育角色和跨研究的概念关系，综述旨在识别概念碎片化的来源，并推导出基于证据的需求，以指导未来IVRLEs中教育代理统一分类学的发展。因此，本综述对文献的贡献在于：系统映射了129项研究中对IVRLEs中教育代理的特征；综合了文献中碎片化的术语和概念不一致性；识别了虚拟教育代理的重复教育角色和学习功能；确定了超越术语本身区分教育代理的六个跨领域概念维度；推导出五个基于证据的需求，以支持未来IVRLEs中教育代理连贯分类学的发展。

2. Background and Related Work
2.1. Agents in IVRLEs
VR已被确立为一种有效的教育技术，因为它为学习者提供了与3D环境交互的机会。此外，VR提高了学习者参与真实学习的能力，而这种学习在传统教育形式中可能过于困难、昂贵或不可能实现。因此，VR被用于多个学习领域，如医疗保健、工程、科学、语言学习，以及体验式和情境化学习。另一方面，IVRLEs中增加的沉浸感和交互程度可能导致更高的认知负荷，因此需要充分的教学支持，使学习者能够有效导航、做出适当决策、构建知识并进行自我调节学习。为解决这些挑战，已努力纳入各种类型的支持。实际上，IVRLEs越来越多地包含教学代理（PAs），而非仅静态教学材料或基于教师的支持。这些代理在整个学习过程中提供解释、自适应反馈、对话参与、教学传递、学习者支持和评估。值得注意的是，PAs的概念并不新鲜。最初，它们是简单的文本或2D动画角色，主要目的是激励学生、增强认知能力，并为学生提供一种与学习材料互动的新方式。AI对话系统和大语言模型（LLMs）的最新发展扩展了它们的能力，改变了它们当前的使用方式。系统现在利用自然语言交互、适应个体学习者的反馈、学习者建模、基于上下文的推理和智能决策，使代理能够适应个体学习者的需求。因此，PAs不再局限于固定或预定义的教学脚本，而是成为能够创造个性化学习体验的教育智能伙伴。基于AI的PAs的日益使用依赖于证据表明它们有潜力改善学习体验。它们能够提供自适应帮助、个人反馈、对话式交互，并创建学习者模型。LLMs的出现进一步扩展了这些能力，使上下文感知对话、更丰富的教学解释和日益个性化的学习支持成为可能。与传统基于规则的PAs依赖预定义决策树不同，LLM支持的代理可以动态生成上下文敏感响应，并根据学习者交互调整其教学角色。此外，研究表明，它们的成功不仅取决于AI的发展，还取决于教学设计、代理角色、交互质量以及学习者对代理的信任水平。如前所述，PAs也开始进入VR领域。因此，它们现在作为存在于VR空间中的3D对象呈现，通常以NPCs的形式出现，允许学习者与它们互动，就像它们是与导师、教师、合作者、导师或模拟参与者。它们通过自然语言交互、上下文推理和学习者建模提供教学支持。随着这些代理的呈现方式和功能的变化，从教学和技术角度，它们支持学习的潜力增加了，并且变得复杂得多。如引言中所述，技术进步伴随着日益多样且往往不一致的术语。类似的教育代理可能被称为教学代理、智能导师代理、虚拟导师、对话代理、NPCs、虚拟人类、数字人类、学习同伴、具身对话代理或AI导师，尽管服务于类似的教学目的。相反，相同的术语经常被用于描述在技术实现、教学目的、交互能力或智能水平上存在显著差异的概念上不同的教育系统。此外，研究人员根据不同的标准对教育代理进行分类，包括教学角色、实现技术、具身化、交互模态或智能，而非基于共同的概念框架。从上述情况可以看出，这种概念异质性使得跨研究的证据综合和比较不可能，并阻碍了对它们在IVRLEs中影响的连贯理解。

2.2. Related Systematic Literature Reviews and Meta-Analyses
现有与代理相关的综述主要关注特定类别和应用领域、设计和特征的特定方面，以及它们的有效性。例如，Weidner等人[23]回顾了虚拟化身和代理在增强现实（AR）和VR中的视觉呈现，检查了身体部位可见性和渲染风格等特征，并总结了用于数据收集的客观和主观测量，以及使用这些表征的任务类型和任务领域。然而，他们的搜索策略仅依赖两个术语“agent”和“virtual human”，未解释选择这些特定术语的理由，也未提供综述中如何概念化它们的明确定义。Yousefi等人[24]的综述关注扩展现实（XR）环境中代理对亲社会行为的影响，使用了“具身虚拟代理”一词，但未定义它，仅指出此类代理可能具有类人或非类人形式并能引发情绪反应。他们的文献搜索仅使用了两个关键词“virtual agents”和“virtual characters”。Yang等人[25]的综述使用“具身对话代理”一词，也关注XR环境，发现大多数实现使用HMDs，类人女性代理占主导，主要用于培训、治疗和社交互动。他们采用的定义是：“像真实人类一样对话并能产生言语和非言语交流的计算机代理”。Boumans等人[26]回顾了为失忆症患者设计的语音支持智能虚拟代理，发现可用研究数量有限，言语交互描述不足，难以评估交互质量及其效果。他们使用“智能虚拟代理”一词指代具有虚拟具身化（全身或仅面部）并能通过语音与人类交流的代理。在教学使用方面，Zhang和Mo[7]的元分析定义了“虚拟数字人类”和“教学代理”但未定义组合术语“虚拟数字人类教学代理”。他们使用了一系列相关搜索词，发现虚拟数字人类教学代理影响学习者的感知社会存在以及知识保持和迁移，这种影响受代理设计特征、内容特征和学习者属性等变量调节。Davis[17]的元分析检验了教学代理手势对知识迁移、学习保持、代理角色感知和认知负荷的影响，使用了“教学代理”等搜索词但未定义这些构念。Dai等人[6]检验了代理的设计特征和实现，发现代理虽有效但很少在VR环境中实现，并在搜索中使用了29个不同术语但未系统区分，而是归入“教学代理”标签下。Zhang和Pan[8]的综述考察了教育中的具身对话代理（ECAs），关注其有效性、优势、教育潜力、信任、伦理和设计策略，定义了ECAs为具有类人身体和行为、能通过多种模态进行自然交互的代理。从上述综述可以看出，尽管它们有助于理解代理的影响，但主要局限于特定技术、用途、特征和教学视角，未能充分解决IVRLEs中虚拟教育代理如何概念化分类的问题，尤其是在生成式AI快速涌现的背景下。据研究人员所知，没有综述分析过“虚拟代理”、“教学代理”、“虚拟人类”或“代理”等概念相关术语在IVRLEs代理文献中的使用、含义、差异和分类。因此，可以认为有必要对虚拟教育代理进行更系统的概念考察。本综述不同于以往证据综合之处在于其分析目的：不是评估特定干预的有效性或总结学习者结果，而是映射代理的属性特征、识别重复的概念和技术维度、考察术语和分类法的不一致性，并利用这些发现来指导未来系统分类学的发展。这一关注点因IVRLEs和AI的日益融合而尤为重要，因为AI引入了传统教学代理分类中未充分体现的代理特征。

3. Method
基于研究目标的性质，范围综述被认为是最合适的方法。与主要综合干预有效性证据的传统系统综述不同，范围综述旨在广泛映射现有文献、识别研究趋势、总结概念发展并揭示异质研究领域中的空白。当术语不一致且概念边界尚未明确建立时，这种方法特别适用。本综述遵循Arksey和O'Malley[27]提出的方法学框架，纳入Levac等人[28]的方法学建议，并按照系统综述和元分析首选报告项目范围综述扩展（PRISMA-ScR）报告。

3.1. Objectives of the Review and Research Questions
本综述旨在考察教育代理实体如何在文献中被描述、定义、区分和使用，特别强调识别概念不一致性、术语重叠、区分特征和教育功能。基于此，综述由以下研究问题引导：RQ1. 在IVRLEs中，哪些术语用于描述基于代理的教育实体？RQ2. 哪些特征用于区分它们的不同类型？RQ3. 这些实体与哪些教育角色和学习功能相关联？RQ4. 文献中存在哪些概念不一致性和重叠？

3.2. Review Design
搜索策略旨在容纳文献中用于标记教育代理类型实体的各种术语，同时足够狭窄以排除不相关研究。搜索围绕三个电子数据库进行：Scopus、ERIC和LearnTechLib。Scopus因其多学科覆盖而选择，包括计算机科学、工程和教育领域的期刊和会议论文集；ERIC因其教育研究重点；LearnTechLib确保教育技术期刊和会议论文集的全面覆盖。鉴于本综述的主要目标是考察IVRLEs中虚拟教育代理的教育概念化、术语、教育角色和分类学需求，而非技术实现或工程方面，这些数据库被认为最合适。最终文献搜索于2026年6月21日进行。为管理初步文献探索中发现的广泛术语，搜索策略分为三个概念流：第一流包括教学和辅导代理（如PA、教育代理、虚拟导师、虚拟教师）；第二流包括基于NPC的教育实体（如NPC、虚拟向导、虚拟同伴）；第三流包括虚拟人类和对话代理（如虚拟人类、对话代理、具身对话代理）。搜索中将这些关键词与VR、教育和/或学习相关术语结合。由于Scopus、ERIC和LearnTechLib的搜索界面和索引结构不同，等效搜索概念适应每个数据库的语法和功能。总体搜索策略总结于表1，完整数据库特定搜索策略见补充材料。纳入的研究仅限英文同行评审出版物，发表于2015年至2026年间。仅纳入同行评审期刊文章、会议论文、书籍章节和综述，排除社论、学位论文和无法获取全文的出版物。纳入排除标准见表2。三个数据库共发现1867条记录（Scopus 912条，ERIC 215条，LearnTechLib 740条）。删除重复和不可访问记录（586条）后，剩余1281条独特研究进行标题和摘要筛选。在此阶段，排除不符合标准的研究，留下329篇进行全文审查。全文审查后，129篇符合所有纳入标准，纳入最终定性综合。筛选过程如图1所示。

3.3. Data Extraction and Synthesis
研究人员基于综述目标和研究问题制定了标准化数据提取表。在全面数据提取前，对表格进行小样本试点测试并完善，以确保一致性和完整性。提取信息包括书目细节、出版特征、研究目标、教育背景、IVRLE类型、描述教育代理的术语、代理特征、教育角色、学习功能，以及与拟议分类学发展相关的信息。还记录了对教育代理相关的新的分类、设计原则或分类学观点。数据提取由两名评审员独立进行，分歧通过讨论达成共识。未联系纳入研究的作者，因为已发表报告提供了足够信息。在标题和摘要筛选阶段，两名评审员根据预定义纳入标准评估研究。无法仅凭标题和摘要确定资格的研究保留至全文筛选。在数据提取过程中，提取的数据经过多轮修订，并聚类为初始概念组，通过讨论进一步细化直至达成共识。任何关于研究资格的不确定性也通过讨论解决。具体而言，两名评审员为提取的术语、代理特征、教育角色、学习功能和概念描述分配描述性代码。初始代码保持接近纳入研究中报告的术语和描述，而非基于预定义类别。然后，跨研究比较概念上相似的代码，并根据含义、功能和代理特征的重复相似性迭代分组为更广泛的类别。类别随后被审查、合并、分离或重命名，以考虑概念重叠和跨研究差异。最终类别由两名评审员讨论并细化直至达成共识。由于术语、特征、角色和功能直接来自纳入研究，它们组织成更广泛的概念组是研究人员基于证据的解读性综合。综合侧重于识别常见术语、概念模式、教育功能、设计特征以及不同类型代理之间的关系，并遵循设定的四个研究问题。过程中使用了归纳映射方法，允许以渐进方式集体分类术语和概念，随研究问题进展。上述过程也为推导第5.2节讨论的分类学需求提供了实证基础，这些需求旨在指导未来统一分类学的开发和验证。

4. Results
请注意，单个研究可能贡献于多个类别，因此个别特征的频率不是互斥的，也不一定总和为纳入研究总数（N=129）。

4.1. Overview of the Included Studies
大多数论文发表在会议论文集（n=59），紧随其后的是期刊文章（n=57）。如图2所示，相关出版物呈现明显上升趋势。尽管关注IVRLEs，研究也考察了混合现实（MR）和扩展现实（XR）应用，其中VR构成主要教育环境。在代理技术实现和教育设置方面观察到显著多样性。在综述文献中，代理使用多种术语描述，包括但不限于PAs、教育代理、虚拟导师、虚拟教师、虚拟人类、NPCs、对话代理、具身对话代理、学习同伴、智能虚拟代理、AI导师和虚拟助手。教育背景从普通教育到STEM、医疗保健、护理、职业培训、语言学习、编程和历史教育。表3包含代表性示例，展示教育代理类型、教育背景和教学角色的多样性。129篇论文的完整列表及其ID见补充材料。

4.2. Terms Used to Describe Agents in IVRLEs
作者使用了多种术语描述代理，缺乏共享语言，表明IVRLEs中不存在描述不同代理的共同词汇。主要术语类别包括指代教学代理（PAs）的术语，例如“pedagogical agent”、“intelligent pedagogical agent”、“artificial pedagogical agent”、“emotion-aware pedagogical agent”、“Generative Artificial Intelligence pedagogical agent”和“reinforcement learning pedagogical agent”。例如，Ye等人[30]将情感感知教学代理描述为能够表达情感线索以支持学习者参与和学习表现的教学代理。类似地，Zhu等人[31]介绍了一个由大语言模型（LLM）驱动的教学代理，通过LLM提供教学解释并调整其响应。尽管实现各异，这些代理的目的都是通过教学、指导、支持、反馈和支架的任意组合来帮助个人学习。研究人员描述这些代理是为了改善教育体验而开发的。第二组重要术语聚焦于扮演类似但更专业导师角色的代理，包括“virtual tutor”、“intelligent tutor”、“virtual teacher”、“virtual instructor”、“virtual lecturer”、“language tutor”和“STEM tutor”。例如，Li等人[34]将其教育实体称为虚拟导师，提供个性化辅导和教学指导。Xu和Zhan[35]描述了一个智能虚拟教师，能够传递教学内容并在沉浸式环境中与学习者互动。每个术语都指示提供主要教学支持的代理，涵盖从脚本化辅导到对话AI及使用LLM辅助教学/学习的广泛支持系统。在几种情况下，作者使用基于NPC的术语，如“NPC”、“NPC educator”、“AI-powered NPC”、“intelligent NPC”、“learning NPC”和“LLM NPC”。NPCs充当教学向导、导师、同伴、角色扮演角色或模拟参与者，具体取决于教育背景。例如，Campitiello等人[21]将智能NPC描述为AI增强的非玩家角色，在虚拟学习环境中支持教育活动。Barmpari等人[14]介绍了一个LLM引导的NPC，作为能够进行自然语言交互和自适应教学支持的导师。这些发现表明“NPC”一词并未描述特定教育目的的具体角色。另一类术语与虚拟人类相关，如“virtual human/patient/professional/physician”、“AI virtual human”、“digital human”和“metahuman tutor”，描述代理的实际物理外观而非教育目的。例如，Dai等人[32]描述了AI支持的虚拟人类，用于模拟培训研究生助教。Dollis等人[37]使用高度逼真的虚拟人类化身进行沉浸式医疗沟通训练。它们的高表征保真度/逼真度允许在复杂场景中使用，如医疗培训中的特定程序和紧急情况。文章开始创造新术语定义代理，包括“conversational agent”、“pedagogical conversational agent”、“embodied conversational agent”、“conversational AI agent”、“LLM-based conversational agent”和“semantic embodied conversational agent”。Garcia-Pi等人[16]认为，对话AI代理能够与智障学习者自然互动。Zhu等人[31]介绍了一个基于LLM的具身对话代理，用于通过上下文对话支持临床沟通训练。这些代理能够使用自然语言进行交流，根据对话发展调整交流方式，并提供对话支持。这可能由于LLM在IVRLEs中的使用增加，促进了这些类型代理的出现。最后，一些研究使用术语如“learning companion”、“virtual companion”、“virtual classmate”、“virtual guide”、“AI mentor”和“virtual assistant”指代代理。尽管这些实体与导师类型角色非常相似，但主要通过协作、指导和社会参与支持学习者。例如，Grivokostopoulou等人[41]描述了一个学习同伴，通过持续帮助支持编程学习；Liu等人[42]介绍了一个虚拟同学，旨在鼓励沉浸式VR环境中的课堂参与和同伴互动。总体而言，结果如表4所示，表明教育代理的术语非常碎片化。这种术语不一致导致需要进一步分析。

4.3. Characteristics Used to Distinguish Agents
识别出几种区分IVRLEs中代理的特征，主要基于智能、具身化、交互模态、适应性、情感和社会特征以及上下文感知。最突出的区分领域是智能水平（表5）。早期系统（约2016-2020年）通常基于预定义规则、脚本化对话和有限决策能力。相比之下，近期研究似乎基于AI的使用，提供实时自然语言交互、上下文推理、自适应辅导和自主生成响应。这种从确定性、基于规则的行为到上下文感知、生成式交互的转变进一步模糊了先前不同类别教育代理之间的界限。具身化成为另一个重要区分特征。用于描述具身化的术语包括“avatar”、“NPC”、各种类型的数字人类（如“virtual human”、“digital human”、“virtual patient”）、“MetaHuman”和“embodied conversational agent”。具身化程度从简单动画角色（如[48,49]）到逼真且个性驱动的化身（如[37,50]）。代理的类人相似性、视觉保真度、逼真度、面部动画、自我相似性和个性等特征似乎是重要的设计特征。差异也出现在交互模态上。这些模态从基于文本的界面和预定义对话扩展到语音识别、语音交互、手势、面部表情、视线追踪、多模态通信和自然语言对话。对话和具身代理主要通过支持更自然和自适应的沟通来区分，特别是在职业培训、语言学习和社交技能发展中。另一个反复出现的特征是适应性。几项研究描述了代理根据学习者行为、表现、注意力或互动调整其反馈、解释、指导、支架或对话。适应性通过学习建模、学习者交互数据（如鼠标交互）、视线响应指导、实时解释生成或基于LLM的对话实现。因此，适应性并不构成单独的代理类型，而是可能出现在导师、对话代理、NPCs和虚拟人类中的功能特征。情感和社会特征是另一个区分因素。许多代理旨在表达情感线索、提供共情反馈、建立信任、支持共情发展的支架，并培养更高的社会存在感。所有涉及虚拟人类的研究（用于医疗沟通培训、情感反馈、学习同伴等场景）都识别出此类情感和社会特征的重要性。此外，几项研究考察了上下文感知和传感器响应能力，通过提供视线感知指导、眼动追踪、空间指导、监控学习者行为、进行上下文解释和使用多模态感知。这些特征的纳入也表明从仅呈现信息的静态代理（有时称为“基于网络”）向能够感知并响应学习者或环境行为并相应调整功能/交互的教育代理的转变。观察到的趋势表明，代理更受其特征或属性而非仅标签定义。智能、具身化、适应性、交互模态、情感行为和上下文感知等维度在综述研究中共享，因此这些维度为比较代理提供了比仅术语更有效的基础。

4.4. Educational Roles/Functions of Agents
尽管前几节中术语和概念存在差异，但代理的教育功能相对相似。代理通常根据学习者需求和学习目标等情境变量执行多种教学角色组合，而非仅执行单一功能（表6）。其主要功能是虚拟导师，负责解释概念、提供指导和反馈、回答问题以及促进学习过程。代理的辅导能力主要使用AI和LLM实现，使其能够按需生成解释以及实时回答问题。此外，代理充当虚拟向导，支持学习者在IVRLEs中导航，协助完成任务，提供上下文教学，并鼓励学习者探索和参与虚拟环境。这种指导尤其通过智能NPCs和对话代理体现。研究也将代理描绘为学习者同伴，专注于增强参与而非提供教学，促进反思、协作，激发动机并培养长期互动。代理还充当沟通教练和技能发展培训师。虚拟人类、对话代理和虚拟患者使学生能够在身体和心理安全的真实环境中练习沟通、提供咨询服务、缓和冲突、协作和决策。此类应用在医疗保健、护理和专业教育中普遍存在。代理还扮演评估者角色，根据学习者表现提供自适应反馈，持续监控学生进展，提供提示、纠正性解释和情感支持。最先进的自适应反馈系统使用学习分析、行为追踪和AI生成的反馈来个性化评估并促进自主学习。最后，代理经常用作模拟参与者而非提供教学，例如扮演患者、客户、灾难受害者、同事或其他角色扮演中的协作伙伴，使学生能够积累经验，同时发展沟通、专业技能和临床推理。总之，结果表明教育代理不限于执行单一教学功能，而是执行多种功能，包括辅导、指导、同伴、教练、评估学习者表现以及作为模拟基础。因此，代理角色类别代表教育功能的连续体而非独立实体，这展示了研究文献中重叠的多种方式之一。

4.5. Conceptual Inconsistencies and Overlaps
如前几节结果所示，IV