Microsoft Research2026-10-13 00:00 UTC+8

Ke Yang, Chenglong Wang, Michel Galley, Jeevana Priya Inala, ChengXiang Zhai, Jianfeng Gao

محاكاة تعلم الطلاب لتحسين التدريب الآلي الأفضل

StudentSim هو نظام بحثي لتقييم وتحسين أدوات التدريب الذكي قبل اختبارها مع المتعلمين. يعكس النظام كيف يمكن للأفراد التفاعل مع المعلمين، ويقدم تغذية راجعة لتحسين أداء المعلمين في موضوعات مثل الشطرنج والكتابة والرياضيات.…

A conceptual diagram of the feedback loop required to improve an AI tutor. The middle part of the figure shows that a human teacher gives guidance to a real student and receives the student’s feedback, but this feedback is slow, costly, sparse, and hard to scale. On the right panel of the figure, an AI student simulator is trained from real student feedback and serves as a fast proxy for the student during tutor development. — مصدر الصورة · Microsoft Research

من نظرة سريعة

StudentSim هو نظام بحثي لتقييم وتحسين معلمي الذكاء الاصطناعي قبل اختبارهم مع متعلمين حقيقيين؛ إنه ليس منتجًا، ولا يتم تطبيقه في الفصول الدراسية، ولا يهدف إلى استبدال المعلمين.
تحتاج أدوات التدريب الآلي إلى تعليقات من الطلاب لتحسين نفسها، لكن جمع تلك التعليقات من خلال الدراسات البشرية سريع ومرهق ومعقد من الناحية التنمية.
تُدرب برامج StudentSim محاكيات الطلاب الذكية الشخصية من سجلات المتعلمين المتاحة علنًا والمحظورة عن الهوية، مع وجود محاكي واحد لكل طالب.
يقوم العمل بتقييم المحاكيات من خلال معيارين مرتبطين بالتعليم: هل تتصرف كطالب محدد، وهل تقوم بتحديث نفسها بعد توجيه المعلم.
في لعبة الشطرنج، والكتابة باللغة الإنجليزية الثانية، والرياضيات، تفوق برنامج StudentSim الخطوط الرئيسية ويمنح إشارة تغذية ذات فائدة لتدريب معلم الذكاء الاصطناعي.

في بيئات البحث، تستكشف الفرق كيف يمكن لأنظمة التدريب المدعومة بالذكاء الاصطناعي أن تساعد في شرح مشكلة رياضية، أو اقتراح تعديل لواجب كتابي، أو توجيه المتعلم خلال وضع الشطرنج. ومع ذلك، لا يمكن قياس جودة التدريس من خلال إجابة المعلم فقط. يجب على المعلم أن يعرف ما يحدث بعد أن يتلقى الطالب الإرشاد. هل صحح الطالب الخطأ الأصلي؟ هل ساعدته النصيحة في التفكير نحو الإجابة، أم أدت إلى الكشف عن الكثير من المعلومات؟ هل يحتاج طالب مختلف نوعًا مختلفًا من الدعم؟ في أبحاث معلمي الذكاء الاصطناعي الحالية، يتطلب الإجابة على هذه الأسئلة غالبًا دراسات حقيقية للمتعلمين. هذه الدراسات قيمة، لكنها بطيئة وغالية الثمن، مما يجعل من الصعب استخدام تعليقات الطلاب أثناء تكرار النماذج بسرعة.

StudentSim هو نظام ذكاء اصطناعي يُنشئ محاكيات شخصية للطلاب، حيث يقوم بتصور كيفية إجاباتهم وكيف تتغير إجاباتهم بعد الحصول على توجيه من مدرس. الهدف هو جعل تعليقات الطلاب أكثر توافرًا أثناء تطوير المعلمين الذكيين. كما يقدم هذا البحث أيضًا StudentSimEval، وهو بروتوكول تقييم ومعايير اختبار يشمل الشطرنج، كتابة اللغة الإنجليزية الثانية، والرياضيات.

من المهم أن الهدف ليس استبدال المعلمين أو التعلم داخل الفصل الدراسي. بدلاً من ذلك، يساعد StudentSim الباحثين في تقييم وتحسين أنظمة التدريب الذكي خلال عملية البحث والتطوير، قبل اختبارها مع متعلمين حقيقيين. تستخدم الأبحاث فقط مجموعات بيانات المتعلمين المتاحة علنًا والتي تم إصدارها للاستخدام البحثي مع سجلات معزولة عن الهوية الشخصية؛ ولا يتم استخدام أي معلومات تحدد الهوية الشخصية في أي مرحلة من المراحل.

**Alt text:** A conceptual diagram of the feedback loop required to improve an AI tutor. The middle part of the figure shows that a human teacher gives guidance to a real student and receives the student’s feedback, but this feedback is slow, costly, sparse, and hard to scale. On the right panel of the figure, an AI student simulator is trained from real student feedback and serves as a fast proxy for the student during tutor development. — *الشكل 1:* يتطلب مدربو الذكاء الاصطناعي تغذية راجعة من الطلاب لتحسين أدائهم. يمكن لمنصات محاكاة الطلاب أن تقدّم جزءًا من هذه التغذية الراجعة خلال مرحلة البحث والتدريب والتقييم. *توفر* *هذه المنصات إشارة بحثية في مراحلها المبكرة، وليست بديلًا عن الاختبار مع متعلمين حقيقيين.*

قياس ما يجب على محاكي الطالب فعله

طريقة بسيطة لبناء محاكي الطالب هي طلب من نموذج لغة كبير أن يؤدي دور المتعلم. على سبيل المثال، قد يقول التوجيه: “أنت طالب في المدرسة الابتدائية يعاني من صعوبات في الرياضيات”. يمكن للنموذج تغيير نبرة صوته واستخدام تعبيرات غير مؤكدة. الجزء الصعب هو الحفاظ على حدود القدرة الفعلية للطالب. قد يتحدث النموذج بصوت طالب صغير، بينما يعتمد على معرفة واستدلالات تتجاوز مستوى الطالب بالفعل. لتدريب معلم الذكاء الاصطناعي، قد يؤدي ذلك إلى ردود فعل مضللة: قد يبدو المعلم فعالًا لأن الطالب المحاكى قادر جدًا.

يواجه أساليب نمذجة الطلاب التقليدية قيودًا مختلفة. تستند نماذج تتبع المعرفة وتنبؤ السلوك إلى سجلات التعلم الحقيقية، ويمكنها تقدير المعرفة الحالية والمهارات والعادات التعليمية للطالب. لكن العديد من هذه النماذج لم تُصمم لتأخذ توجيه المدرس باللغة الطبيعية كمدخل. يمكنها مساعدة في وصف ما فعله الطالب، لكنها لا تخبرنا دائمًا بكيفية استجابة الطالب لمعنى معين أو إشارة أو سؤال سقراطي.

تعرّف StudentSim الهدف من خلال بُعدين مستوحَبين من أبحاث التعليم. غالبًا ما يميّز المعلمون بين ما يمكن للطالب فعله بشكل مستقل وما يمكنه فعله بدعم. يلتقط نطاق التطور القريب لفغوتسكي هذا الفارق بين الأداء المستقل الحالي والأداء مع الإرشاد. يحوّل StudentSim هذه الفكرة إلى هدفين لتقييم: الدقة السلوكية التي تقيس ما إذا كان المحاكي يتطابق مع ردود الطالب المحددة على المسائل المعلقة، واستجابة الإرشاد التي تقيس ما إذا كان المحاكي يحدّث ردوده بعد قراءة إرشاد المعلم.

**Alt text:** Diagram defining the two evaluation criteria used for student simulators. The upper portion shows a problem, “minus 7.3 times 5 equals what.” The lower portion compares a real student and an AI simulator. Both initially answer 36.5, then receive guidance and revise their answer to negative 36.5. Asking whether a simulator’s responses match the recorded student answers is behavioral fidelity. Matching the guidance-induced change is guidance responsiveness. — *الشكل 2: يقيّم StudentSimEval ما إذا كان المحاكي يتوافق مع السلوك المستقل للطالب، وما إذا كان يستجيب للتوجيه.*

هذين الهدفين متكاملان. قد يكون المحاكي الذي يمتثل فقط لسلوك الطالب السابق مفيدًا للتنبؤ، لكنه لا يُظهر ما إذا كانت تدخلات التدريس ساعدت أم لا. أما المحاكي الذي يتبع المعلم دائمًا، فقد يستجيب بطريقة سلسة، لكنه قد يفشل في تمثيل نقاط القوة والضعف والأخطاء المحتملة لكل طالب على حدة. يتطلب تدريب المعلمين الذكيين كلا من الإشارتين: نقطة البداية للطالب وطريقة تأثير التوجيه على أدائه.

تدريب محاكيات شخصية من سجلات الطلاب النادرة

تم بناء برنامج StudentSimEval بالكامل من مجموعات بيانات المتعلمين المتاحة علنًا والتي تم نشرها للاستخدام البحثي مع سجلات مصممة لإزالة المعلومات الشخصية. لا تحتوي السجلات على أي معلومات تعريف شخصية، ويتم تدريب كل محاكي شخصي فقط على سجلات المتعلم التي يمثلها.

البيانات الطلابية الحقيقية غالبًا ما تكون نادرة على مستوى الفرد. قد يساهم المتعلم فقط بعدد قليل من المقالات أو الإجابات أو التفاعلات. إن تدريب محاكي من الصفر لكل طالب سيشكل خطر التكيف المفرط، وسيحتاج كل نموذج إلى تعلم الأنماط الشائعة في المجال مرة أخرى.

تستخدم StudentSim مجرى تدريب ذو مرحلتين. في المرحلة الأولى، يتدرب النموذج على السجلات المجمعة بين العديد من الطلاب في نفس المجال. تتعلم هذه المرحلة أشكال الاستجابة الشائعة، والأخطاء الشائعة، والطرق الشائعة التي يعدل بها الطلاب بعد التوجيه. في المرحلة الثانية، يتخصص النموذج على سجلات طالب واحد فقط، مما يؤدي إلى إنتاج محاكي شخصي لذلك الطالب.

**Alt text:** A two-stage pipeline for training personalized StudentSim models from sparse student records. At the top, several students each have limited examples of question-answer interactions and answer revisions following tutor guidance. In the middle, stage one training, records from all students are pooled to learn shared behavioral patterns, including the space of possible responses, common mistakes, and typical revisions after guidance. At the bottom, stage two training, the model is ad — الشكل 3: يبدأ برنامج StudentSim أولاً في تعلم السلوك الطلابي المشترك من السجلات المجمعة، ثم يتكيف مع بيانات كل طالب على حدة.

تشمل التقييم ثلاثة مجالات بأنواع استجابات مختلفة. في الشطرنج، يتنبأ المحاكي بالخطوة التالية للاعب وكيف قد يعدّلها بعد التدريب. في كتابة اللغة الإنجليزية الثانية، يقوم بتوليد مقالات بأنماط أخطاء تتطابق مع المتعلم، ويتنبأ بالتصحيحات بعد تغذية من المعلم. في الرياضيات، يتنبأ بالإجابة من اختيار متعدد للطالب، وما إذا كان الطالب يُحدّث نفسه بعد الشرح. في هذه المجالات، تستخدم StudentSimEval نفس المبدأ: مقارنة جميع الطرق على سجلات التدريب لكل طالب متساوية، وكذلك على سجلات التقييم بعد التدريب.

تتفوق StudentSim على النماذج الرئيسية في جميع المجالات الثلاثة. على سبيل المثال، في الشطرنج، يصل مستوى الدقة السلوكية لـ StudentSim إلى 0.5150 واستجابة التوجيه إلى 0.9067، بينما يصل GPT-5.4 إلى 0.2316 و0.7186 على التوالي. Maia2، نموذج تنبؤ بالحركات البشرية الخاص بالشطرنج، يصل إلى 0.4535 و0.2721 على التوالي. يوضح التباين بين العائلات الأساسية: يمكن لـ GPT-5.4 الاستجابة للتوجيه، لكنه لا يمتثل بكفاءة لسلوك الطالب المحدد، بينما يتنبأ Maia2 بحركات الشطرنج البشرية بشكل أدق، لكنه يفتقر إلى مسار توجيه باللغة الطبيعية.

**Alt text:** Scatter plot comparing three student simulation approaches on behavioral fidelity, shown on the horizontal axis, and guidance responsiveness, shown on the vertical axis. StudentSim is positioned in the upper-right at approximately 0.51 fidelity and 0.91 responsiveness. A prompted GPT-5.4 model has lower fidelity, approximately 0.23, and moderate responsiveness, approximately 0.72. Maia2, a state-tracking model, has moderate fidelity, approximately 0.45, but low responsiveness, appr — *الشكل 4: في الشطرنج، يُحسّن StudentSim كل من الدقة السلوكية واستجابة التوجيه مقارنة بالخطوط الأساسية الرئيسية.*

استخدام التغذية الراجعة المحاكاة لتحسين معلمي الذكاء الاصطناعي

تجري الأبحاث أيضًا لاختبار ما إذا كان محاكي الطالب المدرب يمكنه تقديم تغذية راجعة لتحسين المعلم. في دراسة حول تعلم تعزيز معلم الشطرنج، يتلقى المعلم موضعًا ومحركًا خاطئًا سابقًا من الطالب الحقيقي، ثم يولد الإرشاد. تظل معاملات المحاكي الخاص بالطالب ثابتة خلال هذه العملية، ويقرأ الإرشاد ويصدر حركة مُعدلة. الجائزة تعتمد على تحسن جودة الحركة من حركة الطالب السابقة إلى حركة المحاكي المُعدّلة، باستخدام Stockfish كمحرك شطرنج مستقل كإشارة.

**Alt text:** Diagram of reinforcement learning for an AI chess tutor using StudentSim as the feedback source. Each episode begins with a real student’s chess position and previous incorrect move. The AI tutor receives this context and generates guidance describing what and how to teach. A frozen, personalized AI student simulator reads the guidance and produces a revised move. The reward equals the improvement in chess evaluation from the student’s original move to the revised move, and this re — الشكل 5: يمكن لـ StudentSim تقديم ردود فعل أثناء تعلم التدريب المعزز للذكاء الاصطناعي، من خلال تقدير كيف يتغير رد الطالب بعد التوجيه.

تقارن الدراسة ثلاث حالات: أخصائي تدريب مشرف ومصحّح بدون تعلم تعزيز، وأخصائي تدريب تم تدريبه باستخدام GPT-5.4 كمصدر مكافأة الطالب المحاكي، وأخصائي تدريب تم تدريبه باستخدام StudentSim كمصدر مكافأة. تستخدم جميع الحالات نفس سياسة الأخصائي، ونقطة البداية المشرفة، وإعداد تعلم التعزيز. ثم يقوم خبراء الشطرنج البشريون بتقييم استجابات الأخصائي دون الاعتماد على الحالة.

تُنتج جائزة StudentSim أعلى تقييم للمدرب في جميع الأبعاد المُبلغ عنها. يصل دقة المدرب الذي تم تدريبه باستخدام StudentSim إلى 90.5%، مقارنة بـ75.7% في الحالة الأساسية بدون RL و71.6% في ظروف جائزة GPT-5.4. كما يحصل على تقييمات أعلى لجودة التوجيه والتخصيص. وهذا يُعد دليلاً على مفهوم أن محاكيات الطلاب المدربة على بيانات المتعلمين الحقيقية يمكن أن توفر ردود فعل مفيدة لتحسين مدربي الذكاء الاصطناعي.

ننظر إلى المستقبل

يحتفظ StudentSim بالحاجة إلى متعلمين حقيقيين في أبحاث التعليم. تظل الدراسات البشرية ضرورية لقياس نتائج التعلم، والسلامة، والقابلية للاستخدام، وملاءمة الفصل الدراسي. دور محاكيات الطلاب يأتي في مرحلة مبكرة من عملية التطوير: يمكنها مساعدة الباحثين على اختبار استراتيجيات الموجهين، ومقارنة النماذج، وتحسين إشارات التدريب قبل الانتقال إلى دراسات أكثر تكلفة مع طلاب حقيقيين.

الاتجاه العام هو بناء أنظمة معلمين ذوي الذكاء الاصطناعي التي تتعلم من ردود فعل الطلاب، وليس فقط من التفسيرات المكتوبة من قبل الخبراء أو علامات الصحة الثابتة. يُظهر StudentSim مسارًا واحدًا: استخدام سجلات التعلم الحقيقية لتدريب محاكيين شخصيين، وتقييم تلك المحاكيين من حيث السلوك المستقل والاستجابة للإرشاد، واستخدامها كمصادر للتغذية الراجعة قابلة للتوسيع لتدريب المعلمين. يمكن للأعمال المستقبلية أن توسع هذا النهج لتشمل مسارات تعلم أطول، مواد دراسية إضافية، ملفات طلاب أكثر تنوعًا، ودراسات تربط التغذية الراجعة المحاكية مع نتائج التعلم الحقيقية.

الورقة البحثية وكود تدريب وتقييم StudentSim، بما في ذلك بروتوكول StudentSimEval، متاحة علنًا.

المصادر

الورقة العلمية الكود

المنشور تحاكي تعلم الطلاب لتقديم توجيهات ذكية للذكاء الاصطناعي ظهر أولاً في Microsoft Research.

المصدر الأصلي

Microsoft Research

اقرأ المصدر

ملاحظات المحتوى

النشر الأصلي والحقوق تعود إلى المصدر.

ترجمة آلية · يُرجى الرجوع إلى الأصل