Microsoft Research představuje StudentSim pro trénování tutorů s umělou inteligencí

V oznámení z 12. října 2026 představila společnost Microsoft Research StudentSim, výzkumný systém, který vytváří personalizovaný simulátor pro každého jednotlivého studenta a zachycuje, jak student odpovídá na otázky a jak se jeho odpovědi mění po pokynech od tutora. Projekt představuje také StudentSimEval, sadu testů a hodnoticí protokol zahrnující šachy, psaní v angličtině jako druhém jazyce a matematiku. Laboratoř uvedla, že podkladová studie a trénovací kód jsou veřejně dostupné.

Problém zpětné vazby při vývoji tutorů s umělou inteligencí

Microsoft Research popisuje problém s měřením, který stojí v samotném centru výzkumu tutorů s umělou inteligencí: kvalitu výuky nelze posuzovat pouze podle odpovědi tutora, protože tutor musí vědět, co se stane, až se jeho pokyny dostanou ke studentovi. Mezi otevřené otázky patří, zda student napravil původní chybu, zda mu nápověda pomohla dojít k odpovědi vlastním uvažováním, nebo mu prozradila příliš mnoho, a zda by jiný student potřeboval jiný druh podpory. Laboratoř uvádí, že dnes je k zodpovězení takových otázek obvykle nutné provádět studie se skutečnými studenty. Ty jsou přínosné, ale jejich realizace je pomalá a nákladná, takže zpětnou vazbu od studentů lze jen obtížně využívat při rychlém opakovaném vývoji modelů.

Dosavadní zjednodušené přístupy mají podle dostupných poznatků své limity. Microsoft Research upozorňuje, že výzvou k hraní role studenta lze velký jazykový model přimět k napodobení jeho tónu a vyjadřování nejistoty, obtížnější je ale udržet simulátoru skutečnou hranici schopností daného studenta. Příliš schopný simulovaný student navíc může kvůli zavádějící zpětné vazbě vyvolat dojem, že tutor funguje účinně. Modely pro sledování znalostí a předpovídání chování vycházejí ze skutečných záznamů o učení, mnohé z nich však nebyly navrženy tak, aby jako vstup přijímaly pokyny tutora v přirozeném jazyce. Stejný kontrast popisuje abstrakt studie: modely sledující stav odpovídají zaznamenanému chování, ale špatně si poradí s vysvětleními nebo opravami, zatímco plynulé hraní rolí se řídí pokyny, aniž by spolehlivě napodobovalo úroveň schopností studenta, kterého má simulovat.

Metriky StudentSimEval a trénovací postup

Návrh hodnocení vychází z výzkumu ve vzdělávání, včetně Vygotského zóny nejbližšího vývoje, která rozlišuje, co student dokáže samostatně a co zvládne s podporou. StudentSim tuto myšlenku převádí do dvou měřítek. Věrnost chování hodnotí, nakolik simulátor napodobuje zaznamenané odpovědi konkrétního studenta na úlohách vyhrazených pro testování. Reakce na pokyny pak měří, zda simulátor po přečtení pokynů tutora svou odpověď změní. Laboratoř označuje tato dvě měřítka za vzájemně se doplňující: simulátor, který pouze napodobuje minulé chování, nemůže ukázat, zda výukový zásah pomohl, zatímco simulátor, který vždy následuje pokyny tutora, může přehlédnout silné a slabé stránky konkrétního studenta i jeho pravděpodobné chyby.

StudentSimEval používá obě metriky ve standardizovaném protokolu, který zahrnuje 60 studentů ve třech oblastech. Vychází z veřejných datových sad o studentech, jejichž záznamy byly zbaveny identifikačních údajů a zpřístupněny pro výzkum. Podle stránky publikace se všechny metody trénují a hodnotí na stejných záznamech. V šachu je úkolem předpovědět další tah hráče a to, jak by jej mohl po tréninku upravit. Při psaní v angličtině jako druhém jazyce simulátor vytváří eseje s charakteristickými chybami daného studenta a předpovídá, jaké opravy provede po zpětné vazbě učitele. V matematice předpovídá, kterou možnost zvolí student v testu s výběrem odpovědi a zda svou odpověď změní po vysvětlení.

Protože jednotliví studenti často přispívají jen malým počtem esejí, odpovědí nebo interakcí, trénování samostatného simulátoru od začátku pro každého studenta by mohlo vést k přeučení a nutilo by každý model znovu se učit vzorce společné pro danou oblast. StudentSim proto využívá dvoufázový postup: v první fázi se trénuje na záznamech shromážděných od mnoha studentů z téže oblasti, aby se naučil společné formáty odpovědí, typické chyby a způsoby, jakými studenti obvykle své odpovědi po pokynech upravují. Ve druhé fázi se model specializuje na záznamy jednoho konkrétního studenta. Doprovodný repozitář s kódem tento postup implementuje tak, že se v první fázi pro každou oblast natrénuje jeden adaptér LoRA, který se následně dále trénuje na záznamech každého studenta. Přitom se přebírá hodnost adaptéru z první fáze, místo aby se začínalo s novým adaptérem. Šachové záznamy pocházejí z exportu šachových partií s licencí CC0, písemné práce z výřezu datové sady EFCAMDAT a matematické záznamy z výřezu datové sady FoundationalASSIST.

Uváděné výsledky a studie s šachovým tutorem

Microsoft Research uvádí, že StudentSim překonává přední srovnávací modely ve všech třech oblastech. V šachu dosahuje podle laboratoře věrnost chování hodnoty 0,5150 a reakce na pokyny hodnoty 0,9067. Pro srovnání, GPT-5.4 dosahuje hodnot 0,2316 a 0,7186 a Maia2, model predikce lidských tahů specializovaný na šachy, hodnot 0,4535 a 0,2721. Laboratoř popisuje toto srovnání jako ukázku rozdílů mezi oběma skupinami srovnávacích modelů: GPT-5.4 reaguje na pokyny, ale nedokáže soustavně napodobovat chování jednotlivého studenta, zatímco Maia2 lépe předpovídá lidské šachové tahy, nemá však možnost zpracovávat pokyny v přirozeném jazyce. Abstrakt studie uvádí, že StudentSim překonává GPT-5.4 v obou metrikách ve všech oblastech.

Tým také ověřoval, zda může natrénovaný simulátor poskytovat zpětnou vazbu pro optimalizaci tutora. Ve studii posilovaného učení pro šachového tutora dostane tutor pozici spolu s dřívějším chybným tahem skutečného studenta a vytvoří doporučení; zmrazený personalizovaný simulátor si toto doporučení přečte a navrhne upravený tah. Odměnou je zlepšení kvality tahu oproti původnímu tahu, které se vyhodnocuje pomocí šachového enginu Stockfish jako nezávislého ukazatele. Studie porovnává tři podmínky se stejnou politikou tutora, stejným základem v podobě supervidovaného učení a stejným nastavením posilovaného učení: tutora doladěného supervidovaným učením bez posilovaného učení, tutora trénovaného s odměnou od simulovaného studenta GPT-5.4 a tutora trénovaného s odměnou od StudentSim. Odpovědi tutorů následně hodnotili šachoví experti, kteří nevěděli, která podmínka je vytvořila.

Podle oznámení dosahuje tutor trénovaný s pomocí StudentSim přesnosti 90,5 %, zatímco výchozí model bez posilovaného učení dosahuje 75,7 % a model trénovaný s odměnou od GPT-5.4 dosahuje 71,6 %. Zároveň získává vyšší hodnocení za kvalitu doporučení a míru personalizace. Microsoft Research tento výsledek popisuje jako ověření konceptu, které ukazuje, že simulátory studentů trénované na záznamech skutečných žáků mohou sloužit jako užitečný zdroj zpětné vazby při trénování tutorů.

Uvedená omezení a dostupnost

Microsoft Research představuje StudentSim jako výzkumný systém pro hodnocení a zdokonalování tutorů s umělou inteligencí ještě před jejich testováním se skutečnými žáky; laboratoř uvádí, že nejde o produkt, systém nebyl nasazen ve školních třídách a jeho účelem není nahrazovat učitele. Zároveň zdůrazňuje, že systém neodstraňuje potřebu zapojovat skutečné žáky do výzkumu ve vzdělávání, protože studie s lidmi zůstávají nezbytné pro měření výsledků učení, bezpečnosti, použitelnosti a vhodnosti pro použití ve třídě. Simulátory podle laboratoře patří do dřívější fáze vývoje, v níž mohou výzkumníkům pomoci testovat strategie tutorů, porovnávat modely a zdokonalovat signály pro trénování, než přijdou na řadu nákladnější studie se skutečnými studenty. Mezi uvedené budoucí směry patří delší průběhy učení, více předmětů, podrobnější profily studentů a výzkum propojující simulovanou zpětnou vazbu s měřenými výsledky učení.

Základní studie s názvem „StudentSim: Training LLM-based Student Simulators“ byla odeslána na arXiv 1. září 2026; na stránce publikací Microsoft Research je uvedeno datum září 2026. Jejími autory jsou Ke Yang, doktorand na University of Illinois Urbana-Champaign; Chenglong Wang; Michel Galley; Chandan Singh; Jeevana Priya Inala; ChengXiang Zhai a Jianfeng Gao. Kód pro trénování a vyhodnocování StudentSim, včetně protokolu StudentSimEval, je veřejně dostupný pod licencí MIT.