대규모 언어 모델 (LLM) 기반의 자동화된 튜터링 도구를 개발하는 데 있어 핵심적인 부분은 학생 시뮬레이션 (student simulation)입니다. 즉, LLM을 사용하여 학생 역할을 수행하게 함으로써 튜터 모델의 평가와 학습을 촉진할 수 있습니다. 기존 연구들은 주로 대화 내 시뮬레이션 (within-dialogue simulation)에 집중되어 있는데, 이는 부분적으로 과거의 학생 질의응답이나 대화 상호작용에 기반하지 않았기 때문에 학생의 지식과 행동에 대한 문맥 (context)이 부족하다는 한계가 있습니다. 본 연구에서는 학생의 학습 이력에 포함된 정보를 활용하여 학생의 대화 차례 (dialogue turns)를 정확하게 예측하는 것을 목표로 하는 이력 조건부 학생 시뮬레이션 (history-conditioned student simulation) 과업을 소개합니다. 우리는 프로필 생성기 (profile generator)가 학생의 이력을 요약하고, 시뮬레이터 (simulator)가 생성된 프로필을 조건으로 학생의 차례를 예측하는 두 가지 구성 요소의 프레임워크를 제안합니다. 우리는 두 구성 요소 모두를 강화학습 (RL)으로 학습시켜, 충실한 학생 시뮬레이션에 최적화된 프로필을 생성하도록 합니다. 우리는 수학 학습 플랫폼에서 수집한, 학생의 대화 및 질문 응답을 포함하는 최초의 실제 세계 데이터셋을 통해 우리의 방법론과 베이스라인 (baselines)을 평가합니다. 광범위한 실험을 통해 우리의 방법론이 베이스라인보다 성능이 현저히 뛰어남을 보여주며, 이력 (history), 프로필 (profiles), 그리고 강화학습 (RL) 학습의 중요성을 입증합니다.