IT之家 Le 17 octobre, l’Institut de recherche de Microsoft a publié le système de recherche StudentSim le 12 octobre, afin de résoudre un problème clé dans le développement d’outils d’accompagnement AI : comment déterminer, sans expériences en personne à grande échelle, si une explication, une suggestion ou une question aide réellement les élèves à progresser.
Les mentors d’IA traditionnels se concentrent souvent uniquement sur la véracité de la réponse, mais l’efficacité pédagogique dépend également de la capacité des étudiants à comprendre, à corriger leurs erreurs, ainsi que du fait que différents étudiants ont besoin de différents types de soutien. Les apprenants réels doivent répondre à ces questions, mais cela est long, coûteux et difficile à mettre en scale, ce qui rend l’itération rapide des modèles impossible.
Microsoft a mis en place le système StudentSim pour cela. Basé sur des enregistrements d’apprenants publics et déidentifiés, il crée un « simulateur d’étudiant IA » personnalisé pour chaque étudiant. Il simule non seulement la manière dont les étudiants répondent de manière indépendante, mais aussi les changements dans leurs réactions après avoir reçu des explications de leur mentor.
L’équipe de recherche évalue le simulateur en fonction de deux indicateurs : la « fiabilité du comportement » et la « réactivité guidée ». Le premier teste si le simulateur répond comme les étudiants spécifiques, tandis que le second vérifie si il peut mettre à jour les réponses de manière appropriée après un accompagnement.
Le système utilise un entraînement en deux phases : d’abord, il apprend des méthodes de réponse courantes, des types d’erreurs et les modèles de correction après assistance à partir de données anonymes de nombreux étudiants dans le même domaine, puis il adapte la formation en fonction des données limitées de chaque étudiant individuellement. La recherche couvre trois tâches : l’échecs, l’écriture en langue étrangère et les mathématiques, et introduit le benchmark de évaluation StudentSimEval.
Les résultats montrent que StudentSim est supérieur à la base principale dans trois domaines. Par exemple, en échecs, sa fidélité de comportement atteint 0,5150 et sa réactivité d’orientation 0,9067, ce qui est supérieur à celui de GPT-5.4 et du modèle spécialisé d’échecs Maia2.
Dans les expériences d'apprentissage renforcé du mentor d'échecs IA, le taux de précision du mentor avec l'entraînement par retour d'information de StudentSim atteint 90,5 %, ce qui est supérieur aux 75,7 % sans apprentissage renforcé et aux 71,6 % avec l'imitation par retour d'information de GPT-5.4.
Microsoft souligne que StudentSim n’est pas un produit pédagogique pour les classes, et n’a pas pour but de remplacer les enseignants ; il s’agit d’un signal de retour d’information précoce, à bas coût et extensible, fourni aux chercheurs avant les tests réels des étudiants.
IT Home fournit l'adresse de référence
Annonce publicitaire : Le texte contient des liens de redirection vers l’extérieur (y compris, mais sans s’y limiter, les hyperliens, les codes QR, les mots de passe, etc.), destinés à transmettre plus d’informations, à gagner du temps dans le choix, et les résultats sont uniquement indicatifs. Tous les articles de IT Home contenant des liens externes incluent cette annonce.