IT之家 berichtet am 17. Oktober, dass das Microsoft Research am 12. Oktober das Forschungssystem StudentSim veröffentlicht hat. Es soll ein wichtiges Problem bei der Entwicklung von AI-Tutorials lösen: Wie kann man ohne große Live-Experimente beurteilen, ob eine Erklärung, eine Anleitung oder eine Frage tatsächlich dazu beiträgt, dass die Person vorankommt.
Traditionelle AI-Dozenten achten oft nur darauf, ob die „Antwort richtig ist“, doch der Lernerfolg hängt auch davon ab, ob die Schüler verstehen und Fehler korrigieren können, sowie ob verschiedene Schüler unterschiedliche Unterstützung benötigen. Die Forschung von echten Lernenden kann diese Fragen beantworten, ist aber zeitaufwendig, kostspielig und schwer skalierbar, sodass sie die schnelle Iteration von Modellen nicht unterstützen kann.
Microsoft hat dafür das StudentSim-System eingeführt, das auf öffentlichen, deidentifizierten Lernaufzeichnungen basiert und für jeden Schüler einen personalisierten „AI-Schüler-Simulator“ entwickelt. Es simuliert nicht nur, wie die Schüler selbstständig antworten, sondern auch die Veränderungen in ihren Reaktionen nach den Erklärungen der Dozenten.
Die Forschungsteams bewerteten den Simulator anhand von zwei Indikatoren: der „Verhaltenstreue“ und der „Leitungsreaktivität“. Der erste Indikator prüft, ob die Antworten wie die eines bestimmten Schülers sind, während der zweite Indikator prüft, ob die Antworten nach der Unterstützung angemessen aktualisiert werden können.
Das System verwendet eine zweistufige Trainierung: Zuerst lernt es aus den anonymen Daten einer großen Anzahl von Schülern in derselben Disziplin die häufigen Antwortweisen, Fehlertypen und die nach der Unterstützung erfolgenden Korrekturen. Anschließend wird für einzelne Schüler eine individuelle Anpassung durchgeführt. Die Forschung umfasst drei Aufgabenbereiche: Schach, Schreiben in einer zweiten Sprache und Mathematik, und es wurde das StudentSimEval-Bewertungsstandard entwickelt.
Die Ergebnisse zeigen, dass StudentSim in allen drei Bereichen besser ist als die Hauptbaseline. Im Fall des Schachspiels erreicht seine Handlungsgenauigkeit 0,5150 und die Anleitungsreaktion 0,9067, was beide höher ist als bei GPT-5,4 und dem speziellen Schachmodell Maia2.
In den Verfahren des Verstärkungslernens von AI-Schachlehrern erreichte die Genauigkeit des Lehrers mit der Feedbacktrainierung durch StudentSim 90,5 %, was höher ist als der Baseline ohne Verstärkungslernen von 75,7 % und 71,6 % bei der Nutzung von GPT-5,4 für simulierte Feedback.
Microsoft betont, dass StudentSim kein Unterrichtsprodukt ist und nicht dazu bestimmt ist, Lehrer zu ersetzen; es bietet Forschern vor der tatsächlichen Testung von Studenten kostengünstige, skalierbare frühe Feedbacksignale.
IT Home hat eine Referenzadresse bereitgestellt
Anzeigeerklärung: Der Text enthält externe Verlinkungen (einschließlich aber nicht beschränkt auf Hyperlinks, QR-Codes, Passwörter usw.), die dazu dienen, mehr Informationen bereitzustellen, Zeit für die Auswahl zu sparen und die Ergebnisse lediglich als Referenz dienen. Alle Artikel in IT Home, die externe Links enthalten, sind mit dieser Anzeigeerklärung versehen.