Η Microsoft Research παρουσιάζει το StudentSim για την εκπαίδευση AI tutor

Σε ανακοίνωση της 12ης Οκτωβρίου 2026, η Microsoft Research παρουσίασε το StudentSim, ένα ερευνητικό σύστημα που δημιουργεί εξατομικευμένο προσομοιωτή για κάθε μαθητή, αποτυπώνοντας τον τρόπο με τον οποίο απαντά σε ερωτήσεις και πώς αλλάζουν οι απαντήσεις του μετά την καθοδήγηση ενός εκπαιδευτή. Η εργασία παρουσιάζει επίσης το StudentSimEval, ένα σύνολο δοκιμών και πρωτόκολλο αξιολόγησης που καλύπτει το σκάκι, τη γραπτή έκφραση στα αγγλικά ως δεύτερη γλώσσα και τα μαθηματικά. Το εργαστήριο ανέφερε ότι η σχετική επιστημονική εργασία και ο κώδικας εκπαίδευσης είναι διαθέσιμα δημόσια.

Το πρόβλημα της ανατροφοδότησης στην ανάπτυξη AI tutor

Η Microsoft Research περιγράφει ένα πρόβλημα μέτρησης που βρίσκεται στο επίκεντρο της έρευνας για τα AI tutor: η ποιότητα της διδασκαλίας δεν μπορεί να κριθεί μόνο από την απάντηση του εκπαιδευτή, επειδή εκείνος πρέπει να γνωρίζει τι συμβαίνει όταν η καθοδήγησή του φτάσει στον μαθητή. Μεταξύ των ανοιχτών ερωτημάτων είναι αν ο μαθητής διόρθωσε το αρχικό λάθος, αν μια υπόδειξη τον βοήθησε να συλλογιστεί προς την απάντηση ή του αποκάλυψε υπερβολικά πολλά, καθώς και αν ένας διαφορετικός μαθητής θα χρειαζόταν άλλου είδους υποστήριξη. Σήμερα, σημειώνει το εργαστήριο, για να απαντηθούν τέτοια ερωτήματα απαιτούνται συνήθως μελέτες με πραγματικούς μαθητές. Παρότι είναι πολύτιμες, αυτές οι μελέτες χρειάζονται χρόνο και είναι δαπανηρές, με αποτέλεσμα να είναι δύσκολη η αξιοποίηση της ανατροφοδότησης των μαθητών κατά την ταχεία επανάληψη μοντέλων.

Οι υπάρχουσες συντομεύσεις έχουν τεκμηριωμένους περιορισμούς. Η Microsoft Research επισημαίνει ότι, αν ζητηθεί από ένα μεγάλο γλωσσικό μοντέλο να υποδυθεί έναν μαθητή, μπορεί να αναπαράγει τον τρόπο ομιλίας του και να εκφράζει αβεβαιότητα. Είναι όμως δυσκολότερο να παραμείνει εντός των πραγματικών ορίων των ικανοτήτων του μαθητή, ενώ ένας προσομοιωμένος μαθητής με υπερβολικά υψηλές ικανότητες μπορεί να κάνει έναν εκπαιδευτή να φαίνεται αποτελεσματικός μέσω παραπλανητικής ανατροφοδότησης. Τα μοντέλα παρακολούθησης γνώσης και πρόβλεψης συμπεριφοράς βασίζονται σε πραγματικά δεδομένα μάθησης, αλλά πολλά δεν σχεδιάστηκαν ποτέ ώστε να δέχονται ως είσοδο φυσικογλωσσική καθοδήγηση από εκπαιδευτή. Η περίληψη της εργασίας αναδεικνύει την ίδια αντίθεση: τα μοντέλα παρακολούθησης κατάστασης ταιριάζουν με την καταγεγραμμένη συμπεριφορά, αλλά δυσκολεύονται με τις εξηγήσεις ή τις διορθώσεις, ενώ τα μοντέλα που υποδύονται με ευχέρεια έναν μαθητή ακολουθούν την καθοδήγηση, χωρίς να αναπαράγουν αξιόπιστα το επίπεδο ικανοτήτων του μαθητή που μιμούνται.

Μετρικές και αγωγός εκπαίδευσης του StudentSimEval

Ο σχεδιασμός της αξιολόγησης αντλεί στοιχεία από την εκπαιδευτική έρευνα, μεταξύ άλλων από τη ζώνη επικείμενης ανάπτυξης του Vygotsky, η οποία διακρίνει όσα μπορεί να κάνει ένας μαθητής ανεξάρτητα από όσα μπορεί να κάνει με υποστήριξη. Το StudentSim μετατρέπει αυτή την ιδέα σε δύο μετρικές. Η πιστότητα συμπεριφοράς μετρά πόσο πιστά ένας προσομοιωτής αναπαράγει τις καταγεγραμμένες απαντήσεις ενός συγκεκριμένου μαθητή σε προβλήματα που δεν χρησιμοποιήθηκαν στην εκπαίδευση, ενώ η ανταπόκριση στην καθοδήγηση μετρά αν ο προσομοιωτής αλλάζει την απάντησή του αφού διαβάσει την καθοδήγηση του εκπαιδευτή. Το εργαστήριο περιγράφει τις δύο μετρικές ως συμπληρωματικές: ένας προσομοιωτής που απλώς αντικατοπτρίζει την προηγούμενη συμπεριφορά δεν μπορεί να δείξει αν μια διδακτική παρέμβαση βοήθησε, ενώ ένας προσομοιωτής που ακολουθεί πάντα τον εκπαιδευτή μπορεί να παραβλέψει τα δυνατά σημεία, τις αδυναμίες και τα πιθανά λάθη ενός συγκεκριμένου μαθητή.

Το StudentSimEval εφαρμόζει τις δύο μετρικές σε ένα τυποποιημένο πρωτόκολλο που καλύπτει 60 μαθητές στους τρεις τομείς και βασίζεται σε δημόσια σύνολα δεδομένων μαθητών, με αποταυτοποιημένα αρχεία που διατίθενται για ερευνητικούς σκοπούς. Σύμφωνα με τη σελίδα δημοσίευσης της εργασίας, όλες οι μέθοδοι εκπαιδεύονται και αξιολογούνται με βάση τα ίδια αρχεία. Στο σκάκι, ο στόχος είναι να προβλεφθεί η επόμενη κίνηση ενός παίκτη και πώς ενδέχεται να την αναθεωρήσει μετά από καθοδήγηση. Στη γραπτή έκφραση στα αγγλικά ως δεύτερη γλώσσα, ο προσομοιωτής συντάσσει δοκίμια με τα χαρακτηριστικά μοτίβα λαθών ενός μαθητή και προβλέπει τις διορθώσεις που κάνει μετά την ανατροφοδότηση του εκπαιδευτικού. Στα μαθηματικά, προβλέπει ποια απάντηση πολλαπλής επιλογής θα επιλέξει ένας μαθητής και αν θα αλλάξει την απάντησή του μετά από μια εξήγηση.

Καθώς οι μεμονωμένοι μαθητές συχνά συνεισφέρουν μόνο μικρό αριθμό δοκιμίων, απαντήσεων ή αλληλεπιδράσεων, η εκπαίδευση ξεχωριστού προσομοιωτή από την αρχή για κάθε μαθητή θα ενείχε κίνδυνο υπερπροσαρμογής και θα ανάγκαζε κάθε μοντέλο να μάθει ξανά μοτίβα που είναι κοινά σε έναν τομέα. Γι’ αυτό, το StudentSim χρησιμοποιεί αγωγό δύο σταδίων: στο πρώτο στάδιο, εκπαιδεύεται με δεδομένα συγκεντρωμένα από πολλούς μαθητές του ίδιου τομέα, ώστε να μάθει κοινές μορφές απαντήσεων, συνήθη λάθη και τους τρόπους με τους οποίους οι μαθητές τείνουν να αναθεωρούν τις απαντήσεις τους μετά την καθοδήγηση. Στο δεύτερο στάδιο, το μοντέλο προσαρμόζεται στα δεδομένα ενός συγκεκριμένου μαθητή. Το συνοδευτικό αποθετήριο κώδικα υλοποιεί τη διαδικασία ως εξής: στο πρώτο στάδιο εκπαιδεύεται ένας προσαρμογέας LoRA για κάθε τομέα και, στη συνέχεια, στο δεύτερο στάδιο, η εκπαίδευσή του συνεχίζεται με τα δεδομένα κάθε μαθητή, διατηρώντας την τάξη LoRA του πρώτου σταδίου αντί να ξεκινά με έναν νέο προσαρμογέα. Τα δεδομένα σκακιού προέρχονται από εξαγωγή παρτίδων σκακιού με άδεια CC0, τα δεδομένα γραπτής έκφρασης από εξαγωγή του EFCAMDAT και τα δεδομένα μαθηματικών από εξαγωγή του FoundationalASSIST.

Αναφερόμενα αποτελέσματα και μελέτη για εκπαιδευτή σκακιού

Η Microsoft Research αναφέρει ότι το StudentSim ξεπερνά τις κορυφαίες μεθόδους αναφοράς και στους τρεις τομείς. Στο σκάκι, αναφέρει πιστότητα συμπεριφοράς 0.5150 και ανταπόκριση στην καθοδήγηση 0.9067, έναντι 0.2316 και 0.7186 για το GPT-5.4 και 0.4535 και 0.2721 για το Maia2, ένα μοντέλο πρόβλεψης ανθρώπινων κινήσεων ειδικά σχεδιασμένο για το σκάκι. Το εργαστήριο περιγράφει τη σύγκριση ως ενδεικτική της διαφοράς ανάμεσα στις δύο οικογένειες μεθόδων αναφοράς: το GPT-5.4 ανταποκρίνεται στην καθοδήγηση, χωρίς να αναπαράγει με συνέπεια τη συμπεριφορά ενός μεμονωμένου μαθητή, ενώ το Maia2 προσεγγίζει περισσότερο την πρόβλεψη ανθρώπινων κινήσεων στο σκάκι, αλλά δεν διαθέτει μηχανισμό καθοδήγησης σε φυσική γλώσσα. Η περίληψη της εργασίας αναφέρει ότι το StudentSim ξεπερνά το GPT-5.4 και στις δύο μετρικές σε κάθε τομέα.

Η ομάδα εξέτασε επίσης αν ένας εκπαιδευμένος προσομοιωτής μπορεί να παρέχει ανατροφοδότηση για τη βελτιστοποίηση ενός εκπαιδευτή. Σε μια μελέτη ενισχυτικής μάθησης για εκπαιδευτή σκακιού, στον εκπαιδευτή δίνεται μια θέση μαζί με την προηγούμενη λανθασμένη κίνηση ενός πραγματικού μαθητή και εκείνος παρέχει καθοδήγηση· ένας παγωμένος, εξατομικευμένος προσομοιωτής διαβάζει την καθοδήγηση και προτείνει μια αναθεωρημένη κίνηση, ενώ η ανταμοιβή ισούται με τη βελτίωση της ποιότητας της κίνησης από την αρχική στην αναθεωρημένη, όπως αυτή βαθμολογείται από τη μηχανή σκακιού Stockfish, η οποία λειτουργεί ως ανεξάρτητο μέτρο. Η μελέτη συγκρίνει τρεις συνθήκες με την ίδια πολιτική εκπαιδευτή, το ίδιο σημείο εκκίνησης εποπτευόμενης μάθησης και την ίδια ρύθμιση ενισχυτικής μάθησης: έναν εκπαιδευτή που έχει υποβληθεί σε λεπτομερή εποπτευόμενη ρύθμιση χωρίς ενισχυτική μάθηση, έναν εκπαιδευτή που έχει εκπαιδευτεί με ανταμοιβή από προσομοιωμένο μαθητή GPT-5.4 και έναν εκπαιδευτή που έχει εκπαιδευτεί με ανταμοιβή από το StudentSim. Ειδικοί στο σκάκι αξιολόγησαν τις απαντήσεις των εκπαιδευτών χωρίς να γνωρίζουν ποια συνθήκη τις είχε παραγάγει.

Σύμφωνα με την ανακοίνωση, ο εκπαιδευτής που εκπαιδεύτηκε με το StudentSim επιτυγχάνει ακρίβεια 90,5%, έναντι 75,7% για τη γραμμή βάσης χωρίς ενισχυτική μάθηση και 71,6% για τη συνθήκη ανταμοιβής GPT-5.4, ενώ λαμβάνει υψηλότερες αξιολογήσεις ως προς την ποιότητα της καθοδήγησης και την εξατομίκευση. Η Microsoft Research περιγράφει το αποτέλεσμα ως απόδειξη της αρχής ότι οι προσομοιωτές μαθητών, όταν εκπαιδεύονται με πραγματικά δεδομένα μαθητών, μπορούν να αποτελέσουν χρήσιμο σήμα ανατροφοδότησης για την εκπαίδευση εκπαιδευτών.

Δηλωμένοι περιορισμοί και διαθεσιμότητα

Η Microsoft Research παρουσιάζει το StudentSim ως ερευνητικό σύστημα για την αξιολόγηση και τη βελτίωση εκπαιδευτών τεχνητής νοημοσύνης προτού δοκιμαστούν με πραγματικούς μαθητές· το εργαστήριο διευκρινίζει ότι δεν πρόκειται για προϊόν, ότι δεν έχει αναπτυχθεί σε σχολικές τάξεις και ότι δεν προορίζεται να αντικαταστήσει τους εκπαιδευτικούς. Το εργαστήριο αναφέρει επίσης ότι το σύστημα δεν εξαλείφει την ανάγκη συμμετοχής πραγματικών μαθητών στην εκπαιδευτική έρευνα, καθώς οι μελέτες με ανθρώπους παραμένουν απαραίτητες για τη μέτρηση των μαθησιακών αποτελεσμάτων, της ασφάλειας, της ευχρηστίας και της καταλληλότητας για χρήση στην τάξη. Σύμφωνα με το εργαστήριο, οι προσομοιωτές ανήκουν σε προγενέστερο στάδιο της διαδικασίας ανάπτυξης, όπου μπορούν να βοηθήσουν τους ερευνητές να δοκιμάσουν στρατηγικές εκπαιδευτών, να συγκρίνουν μοντέλα και να βελτιώσουν τα σήματα εκπαίδευσης πριν από πιο δαπανηρές μελέτες με πραγματικούς μαθητές. Οι μελλοντικές κατευθύνσεις που αναφέρονται περιλαμβάνουν μεγαλύτερες μαθησιακές διαδρομές, περισσότερα γνωστικά αντικείμενα, πλουσιότερα προφίλ μαθητών και έρευνα που θα συνδέει την προσομοιωμένη ανατροφοδότηση με μετρημένα μαθησιακά αποτελέσματα.

Η σχετική εργασία, «StudentSim: Training LLM-based Student Simulators», υποβλήθηκε στο arXiv την 1η Σεπτεμβρίου 2026 και στη σελίδα δημοσιεύσεων της Microsoft Research αναγράφεται ως χρονολογημένη τον Σεπτέμβριο του 2026. Συγγραφείς της είναι ο Ke Yang, υποψήφιος διδάκτορας στο University of Illinois Urbana-Champaign· ο Chenglong Wang· ο Michel Galley· ο Chandan Singh· η Jeevana Priya Inala· ο ChengXiang Zhai· και ο Jianfeng Gao. Ο κώδικας εκπαίδευσης και αξιολόγησης του StudentSim, συμπεριλαμβανομένου του πρωτοκόλλου StudentSimEval, είναι διαθέσιμος δημόσια με άδεια MIT.