EduAgent: Generative Student Agents in Learning

学生模拟在在线教育中非常重要，可以解决具有不同背景的学生的动态学习行为。基于深度学习的现有模拟模型通常需要大量的训练数据，缺乏教育背景的先验知识。大型语言模型（LLMs）可能包含这样的先验知识，因为它们是从大型语料库中预先训练的。然而，由于学生的行为是动态和多方面的，存在个体差异，直接提示LLMs并不能够很好地捕捉不同学生人物、学习行为和学习结果之间的微妙交互，因此缺乏鲁棒性和准确性。本研究通过提供一个新的细粒度大规模数据集并提出EduAgent，一个新颖的生成代理框架，将认知先验知识（即认知科学中揭示的理论发现）纳入其中，以引导LLMs首先推理出各种行为之间的相关性，然后进行模拟。我们的两个实验表明，EduAgent不仅可以模仿和预测真实学生的学习行为，还可以生成虚拟学生的逼真学习行为，而无需真实数据。

如何利用大规模语言模型生成逼真的学生行为模拟？

提出了一种新的生成代理框架EduAgent，结合认知先验知识指导大规模语言模型生成学生行为模拟，实验结果表明EduAgent能够生成逼真的学生行为模拟。

论文提出了一个新的生成代理框架EduAgent，并使用新的数据集进行实验，结果表明EduAgent能够生成逼真的学生行为模拟。论文还使用了大规模语言模型和认知先验知识来指导生成代理框架。

最近的相关研究包括：1. Learning to Simulate: A Learning-Based Approach to Generative Simulation of Graphs (ICLR 2021); 2. A Survey of Deep Learning for Scientific Discovery (arXiv 2021); 3. Towards a Learning Science Platform for Intelligent Tutoring Systems (AIED 2021)