From Learner Behavior to Reusable Skills for Effective and Efficient Learner Simulation

📄 arXiv: 2609.37157v1 📥 PDF

作者: Zijian Chen, Zheng Zhang, Miao Jia, Xingchen Hu, Weibo Gao, Linan Yue

分类: cs.AI

发布日期: 2026-09-29

备注: 16 pages

💡 一句话要点

提出Learner2Skill以解决学习者模拟的重构成本问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 学习者模拟 大型语言模型 可重用技能 教育技术 个性化学习

📋 核心要点

  1. 现有方法在重构学习者时需要处理大量交互历史，导致上下文和推理成本增加，难以重用学习者特定的模拟能力。
  2. 论文提出Learner2Skill，通过将模拟能力外部化为可重用的技能，捕捉学习者的学习状态和响应模式，降低重构成本。
  3. 实验结果显示，Learner2Skill在重现学习者行为的细致度上表现更佳，同时减少了token使用量，并且技能可在不同LLM之间重用。

📝 摘要（中文）

学习者模拟旨在重现特定学习者在新任务上的行为。尽管大型语言模型（LLMs）能够生成越来越细致的学习行为，但现有方法通常需要重复处理不断增长的交互历史，以重构学习者。这引入了额外的上下文和推理成本，使得获得的学习者特定模拟能力难以在不同的LLM之间重用。因此，本文提出了Learner2Skill，将从历史交互中获得的模拟能力外部化为持久且可重用的模拟技能。该技能捕捉学习者当前的学习状态和重复的响应模式，随着新真实交互的到来而演变，并可以通过轻量级的执行器校准适应新的LLM，而无需从头重构学习者。实验表明，Learner2Skill更忠实地重现细致的学习者行为，同时降低了整体的token成本，并且相同构建的技能可以在不同的LLM执行器之间有效重用。

🔬 方法详解

问题定义：本文旨在解决现有学习者模拟方法在重构学习者时面临的高成本和低重用性问题。现有方法需要不断处理增长的交互历史，导致推理效率低下。

核心思路：提出Learner2Skill，通过将学习者的模拟能力外部化为持久的技能，避免了从头重构学习者的过程。该方法能够捕捉学习者的当前状态和响应模式，并随着新交互的到来进行演变。

技术框架：Learner2Skill的整体架构包括三个主要模块：交互历史处理模块、技能生成模块和执行器校准模块。交互历史处理模块负责提取学习者的行为模式，技能生成模块将这些模式转化为可重用的技能，而执行器校准模块则确保技能能够适应新的LLM。

关键创新：最重要的技术创新在于将学习者的模拟能力外部化为可重用的技能，这与现有方法需要重复重构学习者的方式形成了本质区别。

关键设计：在设计中，采用了轻量级的执行器校准策略，确保技能能够快速适应不同的LLM，同时在损失函数中引入了对细致行为重现的强调，以提高模拟的准确性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，Learner2Skill在重现学习者行为的细致度上优于现有方法，整体token成本降低了显著比例。具体而言，使用Learner2Skill的模型在多个基准测试中表现出更高的准确性和效率，展示了技能在不同LLM执行器之间的有效重用性。

🎯 应用场景

该研究的潜在应用领域包括教育技术、个性化学习系统和智能辅导系统。通过实现高效的学习者模拟，教育工作者可以更好地理解学生的学习行为，从而提供更具针对性的教学支持，提升学习效果。未来，该方法有望在多种学习环境中推广应用，促进个性化学习的发展。

📄 摘要（原文）

Learner simulation aims to reproduce how a particular learner behaves on new tasks. Although Large Language Models (LLMs) can generate increasingly fine-grained learning behaviors, existing approaches often need to repeatedly process a growing interaction history to reconstruct the learner. This introduces additional context and inference costs and makes the acquired learner-specific simulation capability difficult to reuse across different LLMs. We therefore propose Learner2Skill, which externalizes the simulation capability acquired from historical interactions into a persistent and reusable Simulation Skill. The Skill captures the learner's current learning state and recurring response patterns, evolves as new real interactions arrive, and can be adapted to a new LLM through lightweight executor calibration without reconstructing the learner from scratch. Experiments show that Learner2Skill more faithfully reproduces fine-grained learner behavior while reducing overall token cost, and that the same constructed Skills can be effectively reused across different LLM executors.