تقدّم Microsoft Research نظام StudentSim لتدريب مدرّبي الذكاء الاصطناعي

في إعلان صدر في 12 أكتوبر 2026، كشفت Microsoft Research عن StudentSim، وهو نظام بحثي ينشئ محاكيًا مخصصًا لكل طالب على حدة، ويرصد كيفية إجابته عن الأسئلة وكيفية تغيّر إجاباته بعد توجيهات المدرّس. ويقدّم العمل أيضًا StudentSimEval، وهو معيار وبروتوكول للتقييم يشمل الشطرنج والكتابة باللغة الإنجليزية كلغة ثانية والرياضيات. وأفاد المختبر بأن الورقة البحثية الأساسية ورمز التدريب متاحان للجمهور.

مشكلة التغذية الراجعة في تطوير مدرّبي الذكاء الاصطناعي

تصف Microsoft Research مشكلة قياس محورية في أبحاث مدرّبي الذكاء الاصطناعي: فلا يمكن الحكم على جودة التدريس من إجابة المدرّس وحدها، إذ يحتاج المدرّس إلى معرفة ما يحدث عندما تصل توجيهاته إلى الطالب. ومن الأسئلة التي لا تزال مفتوحة: هل صحّح الطالب الخطأ الأصلي؟ وهل ساعده التلميح على الاستدلال للوصول إلى الإجابة أم كشف له أكثر مما ينبغي؟ وهل يحتاج طالب آخر إلى نوع مختلف من الدعم؟ ويشير المختبر إلى أن الإجابة عن هذه الأسئلة تتطلب عادةً إجراء دراسات مع متعلمين حقيقيين، وهي دراسات قيّمة، لكن تنفيذها بطيء ومكلف، ما يجعل الاستفادة من آراء الطلاب صعبة أثناء التكرار السريع لتطوير النماذج.

للاختصارات الحالية حدود موثّقة. وتشير Microsoft Research إلى أن مطالبة نموذج لغوي كبير بتقمّص دور متعلم قد تمكّنه من محاكاة نبرة الطالب والتعبير عن عدم اليقين، لكن الالتزام بحدود قدرات ذلك المتعلم الفعلية أصعب؛ وقد يجعل الطالب المحاكى، إذا كانت قدراته أكبر من اللازم، المدرّس يبدو فعّالًا بفضل تغذية راجعة مضللة. وتستند نماذج تتبّع المعرفة والتنبؤ بالسلوك إلى سجلات تعلم حقيقية، لكن كثيرًا منها لم يُصمَّم أصلًا لقبول توجيهات المدرّس بلغة طبيعية مدخلًا لها. ويعرض ملخص الورقة البحثية التباين نفسه: إذ تطابق نماذج تتبّع الحالة السلوك المسجّل، لكنها لا تتعامل جيدًا مع الشروحات أو التصحيحات، في حين تتبع نماذج تقمّص الأدوار الطليقة التوجيهات من دون أن تعيد على نحو موثوق إنتاج مستوى قدرات الطالب الذي تحاكيه.

مقاييس StudentSimEval ومسار التدريب

يستند تصميم التقييم إلى أبحاث التعليم، ومنها مفهوم منطقة النمو الوشيك لدى Vygotsky، الذي يميّز بين ما يستطيع المتعلم إنجازه بمفرده وما يستطيع إنجازه بمساعدة. ويحوّل StudentSim هذه الفكرة إلى مقياسين. يقيس مقياس مطابقة السلوك مدى دقة المحاكي في إعادة إنتاج إجابات طالب بعينه المسجّلة على مسائل لم تُستخدم في التدريب، بينما يقيس مقياس الاستجابة للتوجيه ما إذا كان المحاكي يغيّر إجابته بعد الاطلاع على توجيهات المدرّس. ويصف المختبر المقياسين بأنهما متكاملان: فالمحاكي الذي لا يفعل سوى محاكاة السلوك السابق لا يمكنه إظهار ما إذا كان التدخل التعليمي قد أفاد الطالب، بينما قد لا يلحظ المحاكي الذي يتبع المدرّس دائمًا مواطن القوة والضعف لدى طالب بعينه وأخطاءه المحتملة.

يطبّق StudentSimEval المقياسين ضمن بروتوكول موحّد يشمل 60 طالبًا في المجالات الثلاثة، ويعتمد على مجموعات بيانات عامة للمتعلمين تتضمن سجلات أزيلت منها البيانات التي تكشف الهوية وأُتيحت للأبحاث. ووفقًا لـصفحة النشر الخاصة بالورقة البحثية، دُرّبت جميع الأساليب وقُيّمت باستخدام السجلات نفسها. في الشطرنج، تتمثل المهمة في التنبؤ بالخطوة التالية للاعب وبكيفية احتمال تعديله لها بعد تلقي التوجيه. وفي الكتابة باللغة الإنجليزية كلغة ثانية، ينشئ المحاكي مقالات تتضمن أنماط الأخطاء المميزة للمتعلم، ويتنبأ بالتصحيحات التي يجريها بعد تلقي ملاحظات المعلم. أما في الرياضيات، فيتنبأ بالإجابة التي سيختارها الطالب من بين خيارات متعددة، وما إذا كان سيغيّر إجابته بعد تلقي شرح.

لأن كل متعلم على حدة لا يقدّم في كثير من الأحيان سوى عدد قليل من المقالات أو الإجابات أو التفاعلات، فإن تدريب محاكٍ مستقل لكل طالب من الصفر ينطوي على خطر فرط التكيّف، كما سيضطر كل نموذج إلى إعادة تعلّم الأنماط المشتركة بين المتعلمين في المجال نفسه. لذلك يستخدم StudentSim مسار تدريب من مرحلتين: في المرحلة الأولى، يُدرَّب النموذج على سجلات مجمّعة من عدد كبير من الطلاب ضمن المجال نفسه، ليتعلم صيغ الإجابات المشتركة والأخطاء الشائعة والطرق التي يميل الطلاب إلى تعديل إجاباتهم بها بعد تلقي التوجيه؛ وفي المرحلة الثانية، يُخصَّص النموذج باستخدام سجلات طالب واحد. ويطبّق مستودع الشفرة البرمجية المصاحب ذلك من خلال تدريب محوّل LoRA واحد لكل مجال في المرحلة الأولى، ثم مواصلة تدريبه على سجلات كل طالب في المرحلة الثانية، مع الاحتفاظ برتبة المحوّل من المرحلة الأولى بدلًا من البدء بمحوّل جديد. وتستند سجلات الشطرنج إلى مجموعة مُصدّرة من مباريات الشطرنج بترخيص CC0، وسجلات الكتابة إلى مقتطف من EFCAMDAT، وسجلات الرياضيات إلى مقتطف من FoundationalASSIST.

النتائج المعلنة ودراسة مدرّس الشطرنج

تفيد Microsoft Research بأن StudentSim يتفوق على خطوط الأساس الرائدة في المجالات الثلاثة كلها. وفي الشطرنج، يسجّل النظام، وفقًا لما أعلنته، 0.5150 في مطابقة السلوك و0.9067 في الاستجابة للتوجيه، مقابل 0.2316 و0.7186 على التوالي لـGPT-5.4، و0.4535 و0.2721 على التوالي لـMaia2، وهو نموذج متخصص في التنبؤ بالنقلات البشرية في الشطرنج. ويصف المختبر هذه المقارنة بأنها توضح الفرق بين عائلتي نماذج خطوط الأساس: إذ يستجيب GPT-5.4 للتوجيه من دون أن يطابق سلوك طالب بعينه باستمرار، بينما يقترب Maia2 أكثر من التنبؤ بنقلات لاعبي الشطرنج البشر، لكنه لا يتيح مسارًا لتلقي التوجيهات باللغة الطبيعية. ويذكر ملخص الورقة البحثية أن StudentSim يتفوق على GPT-5.4 في كلا المقياسين ضمن كل مجال.

اختبر الفريق أيضًا ما إذا كان بإمكان محاكي مُدرَّب تقديم ملاحظات لتحسين أداء المدرّس. وفي دراسة للتعلّم المعزّز لمدرّس شطرنج، يُزوَّد المدرّس بوضعية على الرقعة وبنقلة سابقة خاطئة لطالب حقيقي، ثم يقدّم إرشادات؛ ويقرأ محاكي شخصي مجمّد تلك الإرشادات ويقترح نقلة معدّلة، وتُحتسب المكافأة وفق مقدار التحسّن في جودة النقلة من النقلة الأصلية إلى المعدّلة، باستخدام محرّك الشطرنج Stockfish إشارةً مستقلة. وتقارن الدراسة بين ثلاثة شروط تشترك في سياسة المدرّس نفسها، ونقطة البداية الخاضعة للإشراف، وإعداد التعلّم المعزّز: مدرّس مضبوط بدقة تحت الإشراف من دون تعلّم معزّز، ومدرّس مدرّب باستخدام مكافأة مستمدّة من طالب محاكى بواسطة GPT-5.4، ومدرّس مدرّب باستخدام مكافأة StudentSim. وقيّم خبراء بشريون في الشطرنج استجابات المدرّس الناتجة من دون أن يعرفوا أيّ شرط أنتجها.

وفقًا للإعلان، حقق المدرّس المدرّب باستخدام StudentSim دقة بلغت 90.5%، مقابل 75.7% لخط الأساس الذي لا يستخدم التعلّم المعزّز و71.6% لشرط المكافأة المستمدّة من GPT-5.4، كما نال تقييمات أعلى لجودة الإرشاد والتخصيص. وتصف Microsoft Research هذه النتيجة بأنها إثبات للمفهوم، يُظهر أن محاكيات الطلاب المدرّبة على سجلات متعلّمين حقيقيين يمكن أن توفر إشارة مفيدة لتدريب المدرّسين.

القيود المعلنة ومدى التوافر

تقدّم Microsoft Research نظام StudentSim بوصفه نظامًا بحثيًا لتقييم مدرّسي الذكاء الاصطناعي وتحسينهم قبل اختبارهم مع متعلّمين حقيقيين؛ وتقول المؤسسة إنه ليس منتجًا، ولم يُنشر في الفصول الدراسية، وليس معدًّا ليحل محل المعلمين. وتؤكد المؤسسة أيضًا أن النظام لا يلغي الحاجة إلى متعلّمين حقيقيين في البحوث التعليمية، إذ تظل الدراسات البشرية ضرورية لقياس نواتج التعلّم والسلامة وسهولة الاستخدام ومدى ملاءمة النظام للفصول الدراسية. وتقول إن مكان المحاكيات هو المراحل المبكرة من عملية التطوير، حيث يمكنها مساعدة الباحثين على اختبار استراتيجيات التدريس، ومقارنة النماذج، وتحسين إشارات التدريب قبل إجراء دراسات أعلى تكلفة مع طلاب حقيقيين. وتشمل التوجهات المستقبلية المذكورة مسارات تعلّم أطول، ومواد دراسية أكثر، وملفات تعريف أغنى للطلاب، وأبحاثًا تربط الملاحظات المحاكاة بنواتج التعلّم المقاسة.

أُرسلت الورقة البحثية التي يقوم عليها النظام، «StudentSim: Training LLM-based Student Simulators»، إلى arXiv في 1 سبتمبر 2026، ويعود تاريخها إلى سبتمبر 2026 على صفحة منشورات Microsoft Research. ومؤلفوها هم Ke Yang، طالب دكتوراه في University of Illinois Urbana-Champaign؛ وChenglong Wang؛ وMichel Galley؛ وChandan Singh؛ وJeevana Priya Inala؛ وChengXiang Zhai؛ وJianfeng Gao. ويتاح علنًا، بموجب ترخيص MIT، رمز تدريب StudentSim وتقييمه، بما في ذلك بروتوكول StudentSimEval.