Edu-Theater：通过点名进行可扩展学习者行为模拟的数据高效代理框架

大规模学习者任务交互数据对于智能教育系统至关重要，但收集成本高昂，并且受到隐私和学习者参与度的限制。学习者模拟器在模拟可扩展的学习者行为方面发挥着关键作用，而无需真正的学习者持续参与。然而，现有的方法主要是以 \textbf{individual-centric} 为主，将模拟器与每个学习者配对，从密集的交互历史中迭代地推断潜在知识状态，这既是数据和计算密集型的，而且在冷启动场景中很脆弱。我们提出了一种\textbf{队列感知点名模拟范式}，它首先构建队列级别的熟练程度先验，并通过少量有针对性的诊断查询来细化个体学习者状态。基于这个范例，我们引入了 \textbf{Edu-Theater}，这是一个由 LLM 支持的代理系统，它通过教师代理执行队列感知学习者模拟，并对学习者日志进行回顾性点名探测。 Edu-Theater 可以实现可扩展的未来行为模拟，而无需每个学习者的详细历史记录。对两个真实世界数据集的实验表明，Edu-Theater 通过显着减少 LLM 调用实现了更高的模拟精度，生成的合成数据可增强自适应测试等下游应用。