तकनीकी सारांश: एजेंटस्कूल (AgentSchool)

1. समस्या विवरण

शिक्षा में लार्ज लैंग्वेज मॉडल्स (LLMs) की तीव्र तैनाती एक अनूठी सत्यापन चुनौती प्रस्तुत करती है। मानक सॉफ्टवेयर के विपरीत, शैक्षिक AI शिक्षार्थियों के विकास में हस्तक्षेप करता है, जिनका संज्ञानात्मक, सामाजिक और भावनात्मक प्रक्षेपवक्र (trajectories) अपरिवर्तनीय होता है। वास्तविक दुनिया के परीक्षण अक्सर धीमे, नैतिक रूप से बाधित और संस्थागत रूप से सीमित होते हैं, जिससे यह मूल्यांकन करना कठिन हो जाता है कि क्या कोई हस्तक्षेप सीखने में सुधार कर रहा है या केवल दीर्घकालिक क्षमता (जैसे, आलोचनात्मक सोच या जिज्ञासा) की कीमत पर अल्पकालिक दक्षता के लिए अनुकूलित हो रहा है।

मौजूदा LLM-आधारित शैक्षिक सिमुलेटर अक्सर दो संरचनात्मक सीमाओं से ग्रस्त होते हैं:

1. विश्वसनीयता अंतराल (Fidelity Gap): वे प्रॉम्प्ट-इंजीनियर्ड रोल-प्ले पर निर्भर करते हैं जो सीखने को एक गतिशील अवस्था संक्रमण प्रक्रिया (dynamic state transition process) के बजाय एक स्थिर व्यक्तित्व-आधारित व्यवहार के रूप में मानता है। यह सीखने के आंतरिक तंत्र (जैसे, ज्ञान पुनर्गठन, गलत धारणा सुधार) को पकड़ने में विफल रहता है।
2. विश्वसनीयता अंतराल (Reliability Gap): उनमें दीर्घकालिक डेटा संग्रह, मानव-इन-द-लूप निरीक्षण और बहु-स्तरीय मूल्यांकन का अभाव होता है, जो अक्सर नए संस्थागत विन्यासों की खोज करने के बजाय मौजूदा कक्षा व्यवहारों के पुनरुत्पादन के लिए अनुकूलित होते हैं।

परिणामस्वरूप, एक "कंप्यूटेशनल विंड टनल" (computational wind-tunnel) की आवश्यकता है जो वास्तविक दुनिया में तैनाती से पहले एक विश्वसनीय, निरीक्षण योग्य और नैतिक रूप से सुरक्षित वातावरण में शैक्षिक AI के परिणामों का पूर्वाभ्यास कर सके।

2. कार्यप्रणाली: एजेंटस्कूल प्रणाली

एजेंटस्कूल एक LLM-संचालित मल्टी-एजेंट सिमुलेशन प्लेटफॉर्म है जो शिक्षा को एक आंशिक रूप से अवलोकन योग्य, मल्टी-एजेंट स्टेट ट्रांजिशन प्रोसेस के रूप में मॉडल करता है। यह संज्ञानात्मक रूप से विकसित होने वाले एजेंटों को अनुकूलन योग्य शैक्षणिक तर्क और एक कॉन्फ़िगर करने योग्य वातावरण के साथ जोड़कर स्थिर रोल-प्ले से आगे बढ़ता है।

2.1 सिस्टम आर्किटेक्चर

सिस्टम को एक स्टेट ट्रांजिशन प्रोसेस $X_{t+1} \sim P_\theta(X_t, a_{1,t}, \dots, a_{n,t})$ के रूप में परिभाषित किया गया है, जहाँ अवस्था $X_t$ में छात्र अवस्थाएं, शिक्षक अवस्थाएं, परिदृश्य विन्यास, इंटरेक्शन ग्राफ और घटना इतिहास शामिल हैं। आर्किटेक्चर में चार मुख्य मॉड्यूल हैं:

• छात्र एजेंट (संज्ञानात्मक रूप से विकसित होने वाले):

  • अवस्था प्रतिनिधित्व (State Representation): स्थिर व्यक्तित्वों के विपरीत, छात्र एजेंट स्पष्ट आंतरिक अवस्थाएं बनाए रखते हैं: एपिसोडिक मेमोरी ($M$), महारत स्कोर के साथ एक भारित विषय ज्ञान ग्राफ ($K$), थिंकिंग वर्कफ़्लो का एक पूल ($W$), स्पष्ट गलत धारणाएं ($Z$), और स्थिर गुण ($P$)।
  • विकास तंत्र (Growth Mechanism): सीखने को स्टेट ट्रांजिशन के रूप में मॉडल किया गया है। महारत का अपडेट निर्देशात्मक गुणवत्ता, शिक्षार्थी ग्रहणशीलता, क्षय (decay) और स्कैफोल्डिंग के आधार पर सीमित संक्रमण है। गलत धारणाओं को प्रतिस्पर्धी विश्वासों का प्रतिनिधित्व करने वाले संरचित ऑब्जेक्ट्स ($v, \hat{p}, p^*, c, \rho$) के रूप में मॉडल किया गया है, जिनमें निरंतरता स्कोर (persistence scores) होते हैं, जो लक्षित हस्तक्षेप की अनुमति देते हैं।
  • अवलोकन (Observation): आंतरिक अवस्थाओं का अनुमान उनके अवलोकन योग्य प्रदर्शन (कथन, कार्य आउटपुट) के माध्यम से एक एविडेंस फंक्शन द्वारा लगाया जाता है, जो आंतरिक अवस्था और अनुमानित अवस्था के बीच एक अंतर पैदा करता है जो वास्तविक दुनिया की शैक्षणिक अनिश्चितता को दर्शाता है।

• शिक्षक एजेंट (अनुकूलन योग्य स्कैफोल्डिंग):

  • शैक्षणिक तर्क (Pedagogical Logic): एजेंट ज़ोन ऑफ़ प्रॉक्सिमल डेवलपमेंट (ZPD) के भीतर कार्य करते हैं, योजना बनाते हैं, स्कैफोल्डिंग करते हैं और चिंतन करते हैं। वे एक डिक्लेरेटिव नॉलेज बेस और एक अनुभवात्मक नॉलेज बेस बनाए रखते हैं जो प्रत्येक पाठ के बाद अपडेट होता है।
  • अनुकूलन (Adaptation): शिक्षक शिक्षार्थी की तत्परता के आधार पर निर्देशात्मक क्रियाएं (व्याख्या, प्रश्न पूछना, समूहीकरण, संकेत) चुनते हैं। एक ZPD संगतता स्कोर यह मूल्यांकन करता है कि कार्य बहुत आसान, बहुत कठिन, या उचित रूप से स्कैफोल्ड किया गया है।
  • चिंतन (Reflection): पाठ के बाद, एजेंट छात्र अवस्था परिवर्तनों और गलत धारणा की निरंतरता के आधार पर अपने अनुभवात्मक ज्ञान को अपडेट करते हैं।

• परिदृश्य जनरेटर (सीखने के क्षेत्र - Scenery Generator):

  • सीखने के संबंधात्मक क्षेत्र को परिभाषित करता है, जिसमें स्थानिक संरचना, संसाधन, मानदंड और अस्थायी लय शामिल हैं।
  • कॉन्फ़िगरबिलिटी: पूर्व-निर्धारित टेम्पलेट्स (जैसे, लेक्चर बनाम खुली चर्चा) और अनौपचारिक दृश्यों (जैसे, अवकाश, साथियों की गपशप) का समर्थन करता है।
  • विकास (Evolution): भविष्य के संस्करणों में इक्विटी, सुरक्षा और नवीनता जैसे मानदंडों के विरुद्ध उम्मीदवार शैक्षिक परिदृश्यों (जैसे, नए AI उपकरण, समूहीकरण नीतियां) को उत्परिवर्तित और तनाव-परीक्षण करने के लिए एक Alpha-Evolve-जैसे प्रक्रिया का उपयोग करने की योजना है।

• सिम्युलेटर आर्किटेक्चर:

  • विभिन्न पैमानों (टर्न-दर-टर्न से सेमेस्टर-लॉन्ग तक) और सूक्ष्मताओं के बीच समन्वय करता है।
  • दक्षता (Efficiency): अडैप्टिव रेजोल्यूशन का उपयोग करता है, जो महत्वपूर्ण क्षणों (जैसे, गलत धारणा निदान) के लिए उच्च-फिडेलिटी LLM कॉल्स आवंटित करता है जबकि नियमित संक्रमणों को संकुचित करता है।
  • इंटरेक्शन पैटर्न: वन-टू-वन, वन-टू-मेनी, और अनस्ट्रक्चर्ड ग्रुप चैट का समर्थन करता है, जो लर्निंग कम्युनिटीज और सोशल नेटवर्क के उद्भव को सक्षम बनाता है।

2.2 अंशांकन और सत्यापन (Calibration and Validation)

एजेंटस्कूल एक दोहरी अंशांकन रणनीति का उपयोग करता है:

1. अनुभवजन्य अंशांकन (Empirical Calibration): जहाँ डेटा उपलब्ध है, वहां सिम्युलेटेड और वास्तविक दुनिया के वितरणों के बीच की दूरी को न्यूनतम करना।
2. सिद्धांत-संचालित अंशांकन (Theory-Driven Calibration): प्रक्षेपवक्यों को सैद्धांतिक बाधाओं (जैसे, क्रमिक महारत वृद्धि, ZPD संरेखण) को संतुष्ट करने के लिए बाधित करना ताकि सतही विश्वसनीयता संरचनात्मक अमान्यता को छिपा न सके।

3. प्रमुख योगदान

1. संज्ञानात्मक रूप से विकसित होने वाले छात्र एजेंट: स्थिर व्यक्तित्व प्रॉम्प्ट से हटकर स्टेटफुल लर्नर्स की ओर बदलाव, जिनमें परिवर्तनशील ज्ञान ग्राफ, रीजनिंग वर्कफ़्लो और स्पष्ट गलत धारणा ऑब्जेक्ट्स हैं।
2. अनुकूलन योग्य शिक्षक एजेंट: एक डिज़ाइन जहाँ शिक्षक छात्र अवस्थाओं के आधार पर योजना बनाते हैं, स्कैफोल्ड करते हैं और चिंतन करते हैं, जो ZPD संरेखण को एक स्थिर स्क्रिप्ट के बजाय एक मूल्यांकन योग्य मीट्रिक के रूप में संचालित करता है।
3. परिदृश्य-संचालित मल्टी-स्केल सिम्युलेटर: एक प्लेटफॉर्म जो इंटरेक्शन स्केल, टेम्पोरल ग्रैनुलैरिटी और सिमुलेशन अवधि को अलग करता है, जिससे एक एकीकृत स्टेट-ट्रांजिशन फ्रेमवर्क के भीतर औपचारिक निर्देश और अनौपचारिक सामाजिक गतिशीलता दोनों का अनुकरण किया जा सकता है।
4. पद्धतिगत बदलाव: "व्यवहार संबंधी विश्वसनीयता" (क्या यह एक छात्र की तरह लगता है?) से "शैक्षिक तंत्र फिडेलिटी" (क्या आंतरिक प्रक्रिया सीखने के सिद्धांत से मेल खाती है?) और "संस्थागत काउंटरफैक्चुअल उपयोगिता" (क्या यह उन नीतियों का परीक्षण कर सकता है जो अभी मौजूद नहीं हैं?) की ओर बदलाव।

4. प्रारंभिक परिणाम

लेखकों ने पांच बैकबोन LLMs (Claude, DeepSeek, Qwen, GPT, Gemini) के माध्यम से एक $2 \times 3$ नियंत्रित लेसन स्टडी और एक सोशल सिमुलेशन अध्ययन आयोजित किया।

4.1 पाठ सिमुलेशन (Lesson Simulation)

• छात्र प्रभाव: संरचित छात्र एजेंट ($S_{ours}$) बेसलाइन रोल-प्ले सिमुलेटर ($S_{base}$) की तुलना में काफी अधिक विभेदित लर्निंग ट्रेसेस उत्पन्न करते हैं। $S_{ours}$ उच्च औसत महारत प्राप्त करता है और समृद्ध वितरण वाली उच्च-महारत नोड्स और संरचित गलत धारणाएं उत्पन्न करता है। $S_{base}$ अक्सर सार्थक ज्ञान प्राप्ति को दर्शाने में विफल रहता है या समान, कम-विचरण त्रुटि पैटर्न उत्पन्न करता है।
• शिक्षक प्रभाव: अनुकूलन योग्य शिक्षक एजेंट ($T_{ours}$) ZPD-सूचित अनुकूलन के अनुरूप पैटर्न दिखाते हैं, विशेष रूप से जब उन्हें $S_{ours}$ के साथ जोड़ा जाता है। हालांकि, प्रदर्शन बैकबोन-निर्भर है; कुछ मामलों में, स्क्रिप्टेड शिक्षक ($T_{scripted}$) स्थिर कंटेंट पाथ के दौरान प्रतिस्पर्धी प्रदर्शन करते हैं, जो सुझाव देता है कि अनुकूलनशीलता तब सबसे मूल्यवान होती है जब छात्र अवस्थाएं पर्याप्त रूप से जटिल होती हैं जिन्हें डायनेमिक रिस्पॉन्स की आवश्यकता होती है।
• बैकबोन संवेदनशीलता: अंतर्निहित LLM उभरते व्यवहारों (जैसे, ग्राफ आकार, नोड काउंट) को महत्वपूर्ण रूप से आकार देता है, जो मॉडल स्वतंत्रता को मानने के बजाय कई मॉडलों पर एजेंट आर्किटेक्चर के मूल्यांकन की आवश्यकता को उजागर करता है।

4.2 सामाजिक सिमुलेशन (Social Simulation)

• नेटवर्क गतिशीलता: अनौपचारिक सामाजिक दृश्यों में, एजेंटस्कूल ने पेरिफेरल पार्टिसिपेशन, क्लिक फॉर्मेशन और ओपिनियन-लीडर इमर्जेंस के प्रशंसनीय ट्रेसेस उत्पन्न किए।
• आक्रामक व्यवहार: सिमुलेशन ने दूसरे क्रम के समूह प्रभावों को कैप्चर किया: आक्रामक एजेंट अलग-थset हो गए, जबकि गैर-आक्रामक एजेंट घने सुसंगत बंधन बनाते हैं, जो वास्तविक दुनिया की कक्षा सामाजिक गतिशीलता को दर्शाते हैं।
• उभरती संरचनाएं: सिस्टम ने केंद्रीय हब के निर्माण और समूह एकजुटता पर सामाजिक बहिष्कार के प्रभाव सहित सामाजिक नेटवर्क के विकास को सफलतापूर्वक मॉडल किया।

5. महत्व और दावे

यह पेपर एजेंटस्कूल को शिक्षा के लिए एक कंप्यूटेशनल विंड टनल के रूप में स्थापित करता है, जो दो प्राथमिक भूमिकाएँ निभाता है:

1. शिक्षा अनुसंधान और नीति के लिए: यह भविष्य के शैक्षिक मॉडलों का प्रोटोटाइप करने, संस्थागत सुधारों का मूल्यांकन करने और वास्तविक शिक्षार्थियों को प्रभावित करने से पहले विफलता मोड (जैसे, एल्गोरिथम पूर्वाग्रह, सामाजिक स्तरीकरण) की पहचान करने के लिए एक सुरक्षित स्थान प्रदान करता है। यह उन नीतियों और AI-मध्यस्थ शिक्षण व्यवस्थाओं के बारे में "व्हाट-इफ" तर्क करने की अनुमति देता है जो अभी अस्तित्व में नहीं हैं।
2. AI अनुसंधान के लिए: यह लॉन्ग-होरिजन मेमोरी, हेटेरोजेनियस मल्टी-एजेंट समन्वय और संगठनात्मक दबाव के तहत एजेंटिक रीजनिंग के अध्ययन के लिए एक सामाजिक रूप से सार्थक टेस्टबेड प्रदान करता है।

दावों की विनम्रता:
लेखक स्पष्ट रूप से कहते हैं कि ये परिणाम प्रारंभिक सत्यापन अध्ययन हैं न कि पारिस्थितिक समानता (ecological equivalence) के दावे। वे यह दावा नहीं करते हैं कि एजेंटस्कूल वास्तविक दुनिया की कक्षाओं की पूर्णतः नकल करता है। इसके बजाय, वे दावा करते हैं कि संरचित, स्टेटफुल एजेंट नियंत्रित स्थितियों के तहत केवल प्रॉम्प्ट-आधारित रोल-प्ले की तुलना में अधिक निरीक्षण योग्य और शैक्षिक रूप से व्याख्या योग्य ट्रेसेस उत्पन्न करते हैं। सिस्टम को हाइपोथीसिस उत्पन्न करने और तंत्रों की तुलना करने के लिए डिज़ाइन किया गया है, जिसके लिए उच्च-जोखिम वाले निर्णयों से पहले भविष्य के अनुभवजन्य अंशांकन और विशेषज्ञ समीक्षा की आवश्यकता होती है। वर्तमान कार्य औपचारिक पाठों और अनौपचारिक सामाजिक दृश्यों पर केंद्रित है, जिसमें संस्थागत और नीति-स्तर के सिमुलेशन को नियोजित विस्तार के रूप में रखा गया है।