Microsoft Research introducerer StudentSim til træning af AI-vejledere

I en meddelelse den 12. oktober 2026 introducerede Microsoft Research StudentSim, et forskningssystem, der opbygger en personlig simulator for hver enkelt elev og registrerer, hvordan eleven besvarer spørgsmål, og hvordan svarene ændrer sig efter vejledning fra en tutor. Arbejdet introducerer også StudentSimEval, et benchmark og en evalueringsprotokol, der dækker skak, engelsksproget skrivning som andetsprog og matematik. Forskningslaboratoriet oplyste, at den underliggende artikel og træningskoden er offentligt tilgængelige.

Udfordringen med feedback i udviklingen af AI-vejledere

Microsoft Research beskriver et måleproblem, der står centralt i forskningen i AI-vejledere: Kvaliteten af undervisningen kan ikke vurderes ud fra vejlederens svar alene, fordi en vejleder er nødt til at vide, hvad der sker, når dens vejledning når frem til en elev. Blandt de ubesvarede spørgsmål er, om eleven rettede den oprindelige fejl, om et hint hjalp eleven med at ræsonnere sig frem til svaret eller afslørede for meget, og om en anden elev ville have brug for en anden form for støtte. Forskningslaboratoriet bemærker, at det i dag som regel kræver undersøgelser med virkelige elever at besvare sådanne spørgsmål. Undersøgelserne er værdifulde, men langsomme og dyre at gennemføre, og derfor er det vanskeligt at bruge elevfeedback, når modeller videreudvikles hurtigt.

De eksisterende genveje har dokumenterede begrænsninger. Microsoft Research bemærker, at man ved at bede en stor sprogmodel om at spille en elev kan få den til at efterligne elevens tone og udtrykke usikkerhed, men det er sværere at få den til at holde sig inden for elevens faktiske kunnen. En simuleret elev, der er for dygtig, kan få en vejleder til at fremstå effektiv på grundlag af misvisende feedback. Modeller til videnssporing og forudsigelse af adfærd bygger på virkelige læringsdata, men mange af dem er aldrig blevet udviklet til at modtage vejledning fra en tutor i naturligt sprog som input. Artikelsammendraget fremhæver den samme kontrast: Modeller, der sporer elevens tilstand, stemmer overens med registreret adfærd, men håndterer forklaringer eller rettelser dårligt, mens flydende rollespil følger vejledningen uden pålideligt at efterligne den imiterede elevs færdighedsniveau.

StudentSimEval: målemetoder og træningsforløb

Evalueringsdesignet bygger blandt andet på forskning i undervisning, herunder Vygotskys zone for nærmeste udvikling, som skelner mellem det, en elev kan gøre selvstændigt, og det, eleven kan gøre med støtte. StudentSim omsætter denne idé til to målinger. Adfærdsmæssig trofasthed måler, hvor præcist en simulator gengiver en bestemt elevs registrerede svar på tilbageholdte opgaver, mens respons på vejledning måler, om simulatoren ændrer sit svar efter at have læst vejledning fra en tutor. Forskningslaboratoriet beskriver de to mål som komplementære: En simulator, der kun efterligner tidligere adfærd, kan ikke vise, om et undervisningstiltag hjalp, mens en simulator, der altid følger tutorens vejledning, risikerer at overse en bestemt elevs styrker, svagheder og sandsynlige fejl.

StudentSimEval anvender de to målinger i en standardiseret protokol, der omfatter 60 elever på tværs af de tre fagområder og bygger på offentlige elevdatasæt med afidentificerede data, som deles til forskning. Ifølge artiklens publikationsside trænes og evalueres alle metoder på de samme data. I skak går opgaven ud på at forudsige en spillers næste træk, og hvordan spilleren muligvis vil ændre det efter vejledning. Ved engelsksproget skrivning som andetsprog genererer simulatoren stile med de karakteristiske fejlmønstre, som en elev typisk laver, og forudsiger de rettelser, eleven foretager efter feedback fra en lærer. I matematik forudsiger den, hvilket svar på et multiple choice-spørgsmål en elev vælger, og om svaret ændres efter en forklaring.

Da den enkelte elev ofte kun bidrager med et lille antal stile, svar eller interaktioner, ville træning af en separat simulator fra bunden for hver elev indebære risiko for overtilpasning og tvinge hver model til at genlære mønstre, der går igen inden for et fagområde. StudentSim anvender derfor et forløb i to trin: Først trænes modellen på data samlet fra mange elever inden for samme fagområde, så den lærer fælles svarformater, typiske fejl og de måder, elever typisk ændrer deres svar på efter vejledning. Derefter tilpasses modellen til data fra en enkelt elev. Det tilhørende kodelager implementerer dette ved at træne én LoRA-adapter for hvert fagområde i første trin og derefter fortsætte træningen på hver enkelt elevs data i andet trin. Adapteren overtager rangværdien fra første trin i stedet for at begynde med en ny adapter. Skakdataene stammer fra en CC0-eksport af skakpartier, skrivebordsdataene fra et EFCAMDAT-udtræk og matematikdataene fra et FoundationalASSIST-udtræk.

Rapporterede resultater og undersøgelsen af en skakvejleder

Microsoft Research rapporterer, at StudentSim klarer sig bedre end førende baselinemodeller inden for alle tre fagområder. For skak rapporteres en adfærdsmæssig trofasthed på 0,5150 og en respons på vejledning på 0,9067. Til sammenligning opnåede GPT-5.4 henholdsvis 0,2316 og 0,7186, mens Maia2, en model, der er udviklet specifikt til at forudsige menneskelige skaktræk, opnåede 0,4535 og 0,2721. Forskningslaboratoriet beskriver sammenligningen som en illustration af forskellen mellem de to typer baselinemodeller: GPT-5.4 reagerer på vejledning uden konsekvent at efterligne en bestemt elevs adfærd, mens Maia2 er bedre til at forudsige menneskelige skaktræk, men ikke har nogen mulighed for at modtage vejledning på naturligt sprog. Artikelsammendraget fastslår, at StudentSim klarer sig bedre end GPT-5.4 på begge målinger inden for hvert fagområde.

Teamet undersøgte også, om en trænet simulator kan levere feedback til optimering af vejledere. I et studie af forstærkningslæring for en skakvejleder får vejlederen en stilling sammen med en rigtig elevs tidligere forkerte træk og skal give vejledning. En fastlåst, personaliseret simulator læser vejledningen og foreslår et nyt træk, og belønningen svarer til forbedringen af trækkvaliteten fra det oprindelige træk til det nye træk, vurderet med skakmotoren Stockfish som et uafhængigt signal. Studiet sammenligner tre betingelser med samme vejlederpolitik, overvågede udgangspunkt og opsætning for forstærkningslæring: en vejleder, der er finjusteret med superviseret læring uden forstærkningslæring; en vejleder, der er trænet med en simuleret elevbelønning fra GPT-5.4; og en vejleder, der er trænet med en belønning fra StudentSim. Menneskelige skakeksperter bedømte vejledernes svar uden at vide, hvilken betingelse der havde frembragt dem.

Ifølge meddelelsen opnår vejlederen, der er trænet med StudentSim, en nøjagtighed på 90,5 % mod 75,7 % for grundlinjen uden forstærkningslæring og 71,6 % for betingelsen med belønning fra GPT-5.4. Den får også højere vurderinger for vejledningens kvalitet og personalisering. Microsoft Research beskriver resultatet som et proof of concept, der viser, at elevsimulatorer trænet på registreringer fra rigtige elever kan fungere som et nyttigt feedbacksignal ved træning af vejledere.

Oplyste begrænsninger og tilgængelighed

Microsoft Research præsenterer StudentSim som et forskningssystem til evaluering og forbedring af AI-vejledere, før de afprøves med rigtige elever. Forskningslaboratoriet oplyser, at det ikke er et produkt, ikke er blevet taget i brug i klasseværelser og ikke er tænkt som en erstatning for lærere. Det oplyser også, at systemet ikke gør rigtige elever overflødige i uddannelsesforskning, fordi studier med mennesker fortsat er afgørende for at måle læringsresultater, sikkerhed, brugervenlighed og egnethed til klasseværelset. Simulatorer hører ifølge laboratoriet til tidligere i udviklingsprocessen, hvor de kan hjælpe forskere med at afprøve strategier for vejledere, sammenligne modeller og forfine træningssignaler, inden de gennemfører mere omkostningstunge studier med rigtige elever. De angivne fremtidige indsatsområder omfatter længere læringsforløb, flere fagområder, mere detaljerede elevprofiler og arbejde med at knytte simuleret feedback til målte læringsresultater.

Den bagvedliggende artikel, “StudentSim: Training LLM-based Student Simulators”, blev indsendt til arXiv den 1. september 2026 og er dateret september 2026 på Microsoft Research’ publikationsside. Forfatterne er Ke Yang, ph.d.-studerende ved University of Illinois Urbana-Champaign; Chenglong Wang; Michel Galley; Chandan Singh; Jeevana Priya Inala; ChengXiang Zhai; og Jianfeng Gao. Koden til træning og evaluering af StudentSim, herunder StudentSimEval-protokollen, er offentligt tilgængelig under MIT-licensen.