Microsoft Research stellt StudentSim für das Training von KI-Tutoren vor

In einer Ankündigung vom 12. Oktober 2026 stellte Microsoft Research StudentSim vor, ein Forschungssystem, das für jeden einzelnen Lernenden einen personalisierten Simulator erstellt und erfasst, wie dieser Fragen beantwortet und wie sich seine Antworten nach den Hinweisen eines Tutors verändern. Die Arbeit stellt außerdem StudentSimEval vor, einen Benchmark mit Evaluationsprotokoll für Schach, englisches Schreiben als Zweitsprache und Mathematik. Das Forschungsteam teilte mit, dass das zugrunde liegende Paper und der Trainingscode öffentlich verfügbar sind.

Das Feedbackproblem bei der Entwicklung von KI-Tutoren

Microsoft Research beschreibt ein grundlegendes Messproblem bei der Erforschung von KI-Tutoren: Die Qualität des Unterrichts lässt sich nicht allein anhand der Antwort des Tutors beurteilen, denn ein Tutor muss wissen, was geschieht, wenn seine Hinweise einen Lernenden erreichen. Zu den offenen Fragen gehört, ob der Lernende seinen ursprünglichen Fehler korrigiert hat, ob ein Hinweis ihm dabei geholfen hat, selbst auf die Antwort zu kommen, oder zu viel verraten hat und ob ein anderer Lernender eine andere Art von Unterstützung benötigen würde. Derzeit erfordere die Beantwortung solcher Fragen in der Regel Studien mit echten Lernenden, so das Forschungsteam. Diese seien zwar wertvoll, aber in der Durchführung langsam und kostspielig. Dadurch lasse sich das Feedback der Lernenden bei schnellen Modelliterationen nur schwer nutzen.

Für bisherige Behelfslösungen sind Einschränkungen dokumentiert. Microsoft Research weist darauf hin, dass sich mit der Aufforderung an ein großes Sprachmodell, die Rolle eines Lernenden zu übernehmen, zwar dessen Tonfall nachbilden und Unsicherheit ausdrücken lässt, es jedoch schwieriger ist, die tatsächliche Leistungsgrenze dieses Lernenden einzuhalten. Ein übermäßig leistungsfähiger simulierter Lernender kann einen Tutor durch irreführendes Feedback wirksam erscheinen lassen. Modelle zur Wissensverfolgung und Verhaltensvorhersage basieren auf realen Lerndaten, doch viele von ihnen wurden nie dafür konzipiert, natürlichsprachliche Hinweise eines Tutors als Eingabe zu verarbeiten. Das Abstract des Papers stellt denselben Gegensatz heraus: Modelle zur Erfassung des Lernstands bilden aufgezeichnetes Verhalten ab, haben aber Schwierigkeiten mit Erklärungen oder Korrekturen. Sprachgewandte Rollenspiele folgen dagegen den Hinweisen, bilden das Leistungsniveau des nachgeahmten Lernenden jedoch nicht zuverlässig nach.

Metriken und Trainingspipeline von StudentSimEval

Das Evaluationsdesign greift auf Erkenntnisse aus der Bildungsforschung zurück, darunter Wygotskis Zone der nächsten Entwicklung, die unterscheidet, was Lernende selbstständig und was sie mit Unterstützung bewältigen können. StudentSim überführt diese Idee in zwei Messgrößen. Die Verhaltensnähe bewertet, wie genau ein Simulator die aufgezeichneten Antworten eines bestimmten Lernenden auf zurückgehaltene Aufgaben reproduziert. Die Reaktionsfähigkeit auf Hinweise bewertet, ob der Simulator seine Antwort ändert, nachdem er Hinweise eines Tutors gelesen hat. Das Forschungsteam beschreibt die beiden Messgrößen als einander ergänzend: Ein Simulator, der nur früheres Verhalten nachahmt, kann nicht zeigen, ob eine Unterrichtsmaßnahme geholfen hat. Ein Simulator, der den Hinweisen des Tutors stets folgt, erfasst möglicherweise nicht die Stärken, Schwächen und wahrscheinlichen Fehler eines bestimmten Lernenden.

StudentSimEval wendet die beiden Messgrößen in einem standardisierten Protokoll auf 60 Lernende in den drei Bereichen an. Grundlage sind öffentliche Lerndatensätze mit für Forschungszwecke bereitgestellten, de-identifizierten Daten. Laut der Veröffentlichungsseite des Papers werden alle Methoden mit denselben Daten trainiert und bewertet. Beim Schach besteht die Aufgabe darin, den nächsten Zug eines Spielers und mögliche Änderungen daran nach einem Coaching vorherzusagen. Beim Schreiben auf Englisch als Zweitsprache erstellt der Simulator Texte mit den charakteristischen Fehlermustern eines Lernenden und sagt voraus, welche Korrekturen nach dem Feedback einer Lehrkraft vorgenommen werden. In Mathematik sagt er voraus, welche Multiple-Choice-Antwort ein Lernender auswählt und ob sich die Antwort nach einer Erklärung ändert.

Da einzelne Lernende oft nur eine kleine Zahl von Aufsätzen, Antworten oder Interaktionen beitragen, bestünde beim Training eines separaten Simulators von Grund auf für jeden Lernenden die Gefahr einer Überanpassung. Außerdem müsste jedes Modell Muster neu erlernen, die vielen Lernenden eines Fachgebiets gemeinsam sind. StudentSim verwendet daher eine zweistufige Pipeline: In der ersten Stufe wird das Modell mit zusammengeführten Daten vieler Lernender desselben Fachgebiets trainiert, um gemeinsame Antwortformate, typische Fehler und die üblichen Änderungen von Antworten nach entsprechenden Hinweisen zu erlernen. In der zweiten Stufe wird das Modell anhand der eigenen Daten eines einzelnen Lernenden spezialisiert. Das begleitende Code-Repository setzt dies so um, dass in der ersten Stufe pro Fachgebiet ein LoRA-Adapter trainiert und anschließend in der zweiten Stufe mit den Daten jedes einzelnen Lernenden weitertrainiert wird. Dabei übernimmt er den Rang des Adapters aus der ersten Stufe, statt mit einem neuen Adapter zu beginnen. Die Schachdaten stammen aus einem CC0-Export von Schachpartien, die Schreibdaten aus einem EFCAMDAT-Auszug und die Mathematikdaten aus einem FoundationalASSIST-Auszug.

Berichtete Ergebnisse und die Schach-Tutorenstudie

Microsoft Research berichtet, dass StudentSim in allen drei Fachgebieten führende Referenzmodelle übertrifft. Im Schach erzielt StudentSim laut den Angaben eine Verhaltensnähe von 0.5150 und eine Reaktionsfähigkeit auf Hinweise von 0.9067. GPT-5.4 erreicht im Vergleich 0.2316 und 0.7186, Maia2, ein auf die Vorhersage menschlicher Schachzüge spezialisiertes Modell, 0.4535 und 0.2721. Das Forschungsteam beschreibt den Vergleich als Veranschaulichung des Unterschieds zwischen den beiden Arten von Referenzmodellen: GPT-5.4 reagiert auf Hinweise, bildet das Verhalten einzelner Lernender jedoch nicht durchgängig ab. Maia2 kommt der Vorhersage menschlicher Schachzüge näher, verfügt aber über keinen natürlichsprachlichen Mechanismus zur Verarbeitung von Hinweisen. Laut Abstract des Papers übertrifft StudentSim GPT-5.4 in jedem Fachgebiet bei beiden Messgrößen.

Das Team untersuchte außerdem, ob ein trainierter Simulator Feedback zur Optimierung eines Tutors liefern kann. In einer Studie zum bestärkenden Lernen für einen Schachtutor erhält der Tutor eine Stellung zusammen mit dem früheren falschen Zug eines echten Lernenden und gibt eine Anleitung. Ein eingefrorener personalisierter Simulator liest diese Anleitung und gibt einen überarbeiteten Zug aus. Die Belohnung entspricht der Verbesserung der Zugqualität vom ursprünglichen zum überarbeiteten Zug; bewertet wird sie mithilfe der Schachengine Stockfish als unabhängiges Signal. Die Studie vergleicht drei Bedingungen mit derselben Tutor-Policy, demselben überwachten Ausgangspunkt und demselben Setup für bestärkendes Lernen: einen feinabgestimmten Tutor ohne bestärkendes Lernen, einen Tutor, der anhand einer von GPT-5.4 simulierten Lernenden-Belohnung trainiert wurde, und einen Tutor, der anhand einer StudentSim-Belohnung trainiert wurde. Schachexperten bewerteten die Antworten der resultierenden Tutoren, ohne zu wissen, unter welcher Bedingung sie entstanden waren.

Laut der Ankündigung erreicht der mit StudentSim trainierte Tutor eine Genauigkeit von 90,5 %, verglichen mit 75,7 % bei der Baseline ohne bestärkendes Lernen und 71,6 % bei der Belohnungsbedingung mit GPT-5.4. Außerdem erhält er höhere Bewertungen für die Qualität seiner Anleitung und seine Personalisierung. Microsoft Research bezeichnet das Ergebnis als Machbarkeitsnachweis dafür, dass auf realen Lernerdaten trainierte Lernendensimulatoren ein nützliches Feedbacksignal für das Training von Tutoren liefern können.

Genannte Grenzen und Verfügbarkeit

Microsoft Research positioniert StudentSim als Forschungssystem zur Bewertung und Verbesserung von KI-Tutoren, bevor diese mit echten Lernenden getestet werden. Das Forschungslabor betont, dass es sich nicht um ein Produkt handelt, das System nicht in Klassenzimmern eingesetzt wurde und es nicht dazu gedacht ist, Lehrkräfte zu ersetzen. Außerdem erklärt das Labor, dass das System die Notwendigkeit echter Lernender in der Bildungsforschung nicht beseitigt, da Studien mit Menschen weiterhin unerlässlich sind, um Lernergebnisse, Sicherheit, Benutzerfreundlichkeit und die Eignung für den Unterricht zu messen. Simulatoren gehören demnach in eine frühere Phase des Entwicklungsprozesses: Dort können sie Forschenden helfen, Tutorstrategien zu testen, Modelle zu vergleichen und Trainingssignale zu verfeinern, bevor kostspieligere Studien mit echten Lernenden durchgeführt werden. Zu den genannten künftigen Forschungsschwerpunkten zählen längere Lernverläufe, weitere Fächer, detailliertere Lernendenprofile sowie Arbeiten, die simuliertes Feedback mit gemessenen Lernergebnissen verknüpfen.

Die zugrunde liegende Arbeit „StudentSim: Training LLM-based Student Simulators“ wurde am 1. September 2026 bei arXiv eingereicht und ist auf der Publikationsseite von Microsoft Research auf September 2026 datiert. Zu den Autorinnen und Autoren gehören Ke Yang, Doktorand an der University of Illinois Urbana-Champaign; Chenglong Wang; Michel Galley; Chandan Singh; Jeevana Priya Inala; ChengXiang Zhai und Jianfeng Gao. Der Code für das Training und die Evaluierung von StudentSim, einschließlich des StudentSimEval-Protokolls, ist unter der MIT-Lizenz öffentlich verfügbar.