Technische Samenvatting: AgentSchool

1. Probleemstelling

De snelle implementatie van Large Language Models (LLM's) in het onderwijs stelt een unieke validatievraag. In tegenstelling tot standaardsoftware grijpt educatieve AI in in de ontwikkeling van leerlingen, waarvan de cognitieve, sociale en emotionele trajecten onomkeerbaar zijn. Realistische proeven zijn vaak traag, ethisch beperkt en institutioneel vastgezet, waardoor het moeilijk is om te evalueren of een interventie het leren verbetert of slechts optimaliseert voor korte-termijnefficiëntie ten koste van lange-termijncapaciteit (bijvoorbeeld kritisch denken of nieuwsgierigheid).

Bestaande op LLM's gebaseerde educatieve simulatoren lijden vaak onder twee structurele beperkingen:

1. Fideliteitskloof: Ze vertrouwen op prompt-geprogrammeerde rollenspellen die leren behandelen als statisch, door persona's gedicteerd gedrag, in plaats van als een dynamisch proces van staatsovergangen. Dit faalt in het vastleggen van de interne mechanismen van leren (bijvoorbeeld kennisherstructurering, correctie van misconcepties).
2. Betrouwbaarheidskloof: Ze missen langetermijndatacollectie, inspectie door mensen in de lus en meerlagige evaluatie, en optimaliseren vaak voor de reproductie van bestaande klasgedragingen in plaats van het verkennen van nieuwe institutionele configuraties.

Gevolg hiervan is dat er behoefte is aan een "rekenkundige windtunnel" die de gevolgen van educatieve AI kan repeteren in een plausibele, inspecteerbare en ethisch veiligere omgeving voordat deze in de echte wereld wordt ingezet.

2. Methodologie: Het AgentSchool-systeem

AgentSchool is een door LLM's aangedreven multi-agent simulatieplatform dat onderwijs modelleert als een gedeeltelijk waarneembaar, multi-agent proces van staatsovergangen. Het gaat voorbij aan statisch rollenspel door cognitief groeibare agenten te koppelen aan adaptieve pedagogische logica en een configureerbare omgeving.

2.1 Systeemarchitectuur

Het systeem wordt gedefinieerd als een proces van staatsovergangen $X_{t+1} \sim P_\theta(X_t, a_{1,t}, \dots, a_{n,t})$, waarbij de staat $X_t$ studentenstaten, leerkrachtstaten, scenery-configuratie, interactiegrafieken en gebeurtenisgeschiedenis omvat. De architectuur bestaat uit vier kernmodules:

• Studentagenten (Cognitief groeibaar):

  • Staatrepresentatie: In tegenstelling tot statische persona's, handhaven studentenagenten expliciete interne staten: episodisch geheugen ($M$), een gewogen kennisgrafiek voor vakken ($K$) met beheersingsscores, een pool van denkwerkstromen ($W$), expliciete misconcepties ($Z$) en stabiele attributen ($P$).
  • Groeimechanisme: Leren wordt gemodelleerd als staatsovergangen. Updates van beheersing zijn gebonden overgangen op basis van instructiekwaliteit, leerlingopname, verval en scaffolding. Misconcepties zijn gestructureerde objecten ($v, \hat{p}, p^*, c, \rho$) die concurrerende overtuigingen met persistentiescores vertegenwoordigen, waardoor gerichte interventie mogelijk is.
  • Observatie: Interne staten worden afgeleid uit waarneembare prestaties (uitingen, taakoutput) via een bewijsfunctie, waardoor er een kloof ontstaat tussen de interne staat en de afgeleide staat die de pedagogische onzekerheid in de echte wereld weerspiegelt.

• Leerkrachtagenten (Adaptieve scaffolding):

  • Pedagogische logica: Agenten opereren binnen de Zone van Proximale Ontwikkeling (ZPD), plannen, scaffolding en reflecteren. Ze handhaven een declaratieve kennisbank en een ervaringskennisbank die na elke les wordt bijgewerkt.
  • Adaptatie: Leerkrachten kiezen instructieve acties (uitleg, vragen, groepering, hints) op basis van geschatte bereidheid van de leerling. Een ZPD-compatibiliteitsscore evalueert of taken te makkelijk, te moeilijk of adequaat gescaffold zijn.
  • Reflectie: Na de les updaten agenten hun ervaringskennis op basis van waargenomen veranderingen in de staat van studenten en persistentie van misconcepties.

• Scenery-generator (Leervelden):

  • Definieert het relationele veld van leren, inclusief ruimtelijke structuur, middelen, normen en temporele ritmes.
  • Configureerbaarheid: Ondersteunt vooraf gedefinieerde sjablonen (bijvoorbeeld college versus open discussie) en informele scènes (bijvoorbeeld recreatie, roddelen onder leeftijdgenoten).
  • Evolutie: Toekomstige iteraties plannen het gebruik van een Alpha-Evolve-achtig proces om kandidaat-educatieve scenario's (bijvoorbeeld nieuwe AI-tools, groeperingsbeleid) te muteren en te stress-testen tegen criteria zoals gelijkheid, veiligheid en originaliteit.

• Simulatorarchitectuur:

  • Coördineert interactie over schalen (beurt-voor-beurt tot semesterlang) en granulariteiten.
  • Efficiëntie: Gebruikt adaptieve resolutie, waarbij hoge-fideliteit LLM-aanroepen worden toegewezen aan consequente momenten (bijvoorbeeld diagnose van misconcepties) terwijl routine-overgangen worden gecomprimeerd.
  • Interactiepatronen: Ondersteunt één-op-één, één-op-veel en ongestructureerde groepschats, waardoor het ontstaan van leergemeenschappen en sociale netwerken mogelijk wordt.

2.2 Kalibratie en Validatie

AgentSchool hanteert een dubbele kalibratiestrategie:

1. Empirische kalibratie: Minimaliseren van de afstand tussen gesimuleerde en real-world verdelingen waar data bestaat.
2. Theoriegedreven kalibratie: Het beperken van trajecten om te voldoen aan theoretische beperkingen (bijvoorbeeld geleidelijke groei van beheersing, ZPD-uitlijning) om te voorkomen dat oppervlakkige plausibiliteit structurele ongeldigheid maskeert.

3. Belangrijkste bijdragen

1. Cognitief groeibare studentenagenten: Een verschuiving van statische persona-prompts naar statische leerlingen met mutabele kennisgrafieken, redeneerwerkstromen en expliciete misconceptie-objecten.
2. Adaptieve leerkrachtagenten: Een ontwerp waarbij leerkrachten plannen, scaffolding en reflecteren op basis van studentenstaten, waarbij ZPD-uitlijning wordt geoperationaliseerd als een evalueerbare metriek in plaats van een statisch script.
3. Scenery-gedreven multi-schaal simulator: Een platform dat interactieschaal, temporele granulariteit en simulatieduur ontkoppelt, waardoor simulatie mogelijk is van zowel formele instructie als informele sociale dynamiek binnen een verenigd raamwerk van staatsovergangen.
4. Methodologische verschuiving: Een beweging van "gedragsgelovigheid" (klinkt het als een leerling?) naar "fideliteit van educatieve mechanismen" (komt het interne proces overeen met leerttheorie?) en "nuttigheid van institutionele contrafacten" (kan het beleid testen dat nog niet bestaat?).

4. Voorlopige resultaten

De auteurs voerden een gecontroleerde lesstudie uit met een $2 \times 3$ opzet over vijf backbone LLM's (Claude, DeepSeek, Qwen, GPT, Gemini) en een sociale simulatiestudie.

4.1 Lesimulatie

• Studenteffect: Gestructureerde studentenagenten ($S_{ours}$) produceerden significant meer gedifferentieerde leersporen dan basale rollenspel-simulatoren ($S_{base}$). $S_{ours}$ bereikte hogere gemiddelde beheersing en genereerde een rijkere verdeling van hoge-beheersingsknopen en gestructureerde misconcepties. $S_{base}$ faalde vaak in het representeren van betekenisvolle kennisverwerving of produceerde uniforme, laag-variabele foutpatronen.
• Leerkrachteffect: Adaptieve leerkrachtagenten ($T_{ours}$) vertoonden patronen consistent met ZPD-informe adaptatie, vooral wanneer gekoppeld aan $S_{ours}$. De prestaties waren echter afhankelijk van de backbone; in sommige gevallen presteerden gescripte leerkrachten ($T_{scripted}$) concurrerend wanneer inhoudspaden stabiel waren, wat suggereert dat adaptiviteit het waardevolst is wanneer studentenstaten complex genoeg zijn om dynamische respons te vereisen.
• Backbone-gevoeligheid: De onderliggende LLM vormde significant emergent gedrag (bijvoorbeeld grafgrootte, knopaantallen), wat de noodzaak benadrukt om agent-architecturen over meerdere modellen te evalueren in plaats van modelonafhankelijkheid aan te nemen.

4.2 Sociale simulatie

• Netwerkdynamiek: In informele sociale scènes genereerde AgentSchool plausibele sporen van perifeer deelname, kliekvorming en het ontstaan van opiniemakers.
• Aggressief gedrag: De simulatie ving tweede-orde groepseffecten: agressieve agenten werden geïsoleerd, terwijl niet-agressieve agenten dichter cohesieve banden vormden, wat de sociale dynamiek in echte klaslokalen nabootst.
• Emergente structuren: Het systeem modelleerde succesvol de evolutie van sociale netwerken, inclusief de vorming van centrale hubs en de impact van sociale uitsluiting op groepssamenhang.

5. Betekenis en claims

Het artikel positioneert AgentSchool als een rekenkundige windtunnel voor onderwijs, met twee primaire rollen:

1. Voor onderwijsresearch en beleid: Het biedt een veiligere ruimte om toekomstige onderwijsmodellen te prototypen, institutionele hervormingen te evalueren en faalmodi te identificeren (bijvoorbeeld algoritmische bias, sociale stratificatie) voordat ze echte leerlingen beïnvloeden. Het maakt "what-if"-redenering mogelijk over beleid en AI-gemedieerde onderwijsarrangementen die nog niet bestaan.
2. Voor AI-onderzoek: Het biedt een sociaal betekenisvolle testomgeving voor het bestuderen van langetermijngeheugen, heterogene multi-agent coördinatie en agentiek redeneren onder organisatorische druk.

Bescheidenheid van claims:
De auteurs stellen expliciet dat deze resultaten voorlopige validatiestudies zijn in plaats van claims van ecologische equivalentie. Ze claimen niet dat AgentSchool echte klaslokalen perfect nabootst. In plaats daarvan claimen ze dat gestructureerde, statische agenten meer inspecteerbare en educatief interpreteerbare sporen produceren dan alleen prompt-gebaseerd rollenspel onder gecontroleerde omstandigheden. Het systeem is ontworpen om hypothesen te genereren en plausibele mechanismen te vergelijken, waarbij toekomstige empirische kalibratie en deskundige review nodig zijn voordat beslissingen met hoge risico's worden genomen. Het huidige werk richt zich op formele lessen en informele sociale scènes, waarbij institutionele en beleidsniveau-simulaties worden gepositioneerd als geplande uitbreidingen.