एआई ट्यूटरों के प्रशिक्षण के लिए Microsoft Research ने पेश किया StudentSim

12 अक्टूबर 2026 की घोषणा में Microsoft Research ने StudentSim पेश किया। यह एक शोध प्रणाली है, जो हर छात्र के लिए अलग-अलग व्यक्तिगत सिम्युलेटर बनाती है और दर्ज करती है कि वह छात्र सवालों के जवाब कैसे देता है और ट्यूटर के मार्गदर्शन के बाद उसके जवाबों में क्या बदलाव आते हैं। इस काम में StudentSimEval भी पेश किया गया है—यह एक बेंचमार्क और मूल्यांकन प्रोटोकॉल है, जिसमें शतरंज, दूसरी भाषा के रूप में अंग्रेज़ी लेखन और गणित शामिल हैं। लैब ने बताया कि इससे जुड़ा शोधपत्र और प्रशिक्षण कोड सार्वजनिक रूप से उपलब्ध हैं।

एआई ट्यूटर विकसित करने में प्रतिक्रिया की समस्या

Microsoft Research के अनुसार, एआई ट्यूटरों पर शोध के केंद्र में एक मापन-संबंधी समस्या है: शिक्षण की गुणवत्ता का आकलन केवल ट्यूटर के जवाब से नहीं किया जा सकता, क्योंकि ट्यूटर को यह जानना होता है कि उसका मार्गदर्शन छात्र तक पहुँचने के बाद क्या होता है। अभी यह भी पता लगाना बाकी है कि छात्र ने अपनी मूल गलती सुधारी या नहीं, संकेत ने उसे जवाब तक पहुँचने के लिए सोचने में मदद की या बहुत कुछ बता दिया, और क्या किसी दूसरे छात्र को अलग तरह की सहायता की ज़रूरत होगी। लैब के मुताबिक, आज ऐसे सवालों के जवाब पाने के लिए आम तौर पर वास्तविक शिक्षार्थियों के साथ अध्ययन करना पड़ता है। ये अध्ययन उपयोगी तो होते हैं, लेकिन इन्हें पूरा करना धीमा और महँगा है; इसलिए मॉडल में तेज़ी से बार-बार सुधार करते समय छात्रों की प्रतिक्रिया का उपयोग करना कठिन रहता है।

मौजूदा वैकल्पिक तरीकों की सीमाएँ दर्ज की गई हैं। Microsoft Research के अनुसार, किसी बड़े भाषा मॉडल को शिक्षार्थी की भूमिका निभाने के लिए कहना छात्र के बोलने के लहजे की नकल कर सकता है और अनिश्चितता भी जता सकता है, लेकिन उस शिक्षार्थी की वास्तविक क्षमता की सीमा के भीतर बने रहना कठिन है। क्षमता से अधिक सक्षम नकली छात्र भ्रामक प्रतिक्रिया देकर ट्यूटर को प्रभावी दिखा सकता है। ज्ञान-अनुसरण और व्यवहार-पूर्वानुमान मॉडल वास्तविक सीखने के रिकॉर्ड पर आधारित होते हैं, लेकिन उनमें से कई को ट्यूटर का स्वाभाविक भाषा में दिया गया मार्गदर्शन इनपुट के रूप में लेने के लिए बनाया ही नहीं गया था। शोधपत्र का सार भी यही अंतर बताता है: अवस्था पर नज़र रखने वाले मॉडल दर्ज व्यवहार से मेल खाते हैं, लेकिन व्याख्याओं या सुधारों को ठीक से संभाल नहीं पाते; वहीं, धाराप्रवाह भूमिका-अभिनय मार्गदर्शन का पालन तो करता है, लेकिन जिस छात्र की नकल की जा रही है, उसकी क्षमता के स्तर को भरोसेमंद ढंग से दोहरा नहीं पाता।

StudentSimEval के मापदंड और प्रशिक्षण प्रक्रिया

मूल्यांकन की रूपरेखा शिक्षा-अनुसंधान से प्रेरित है। इसमें वाइगोत्स्की का निकटस्थ विकास क्षेत्र भी शामिल है, जो यह अंतर बताता है कि शिक्षार्थी अपने दम पर क्या कर सकता है और सहायता मिलने पर क्या कर सकता है। StudentSim इस विचार को दो मापदंडों में बदलता है। व्यवहारगत निष्ठा यह मापती है कि सिम्युलेटर उन समस्याओं पर किसी खास छात्र के दर्ज जवाबों को कितनी बारीकी से दोहराता है जिन्हें प्रशिक्षण में शामिल नहीं किया गया था। मार्गदर्शन के प्रति प्रतिक्रिया यह मापती है कि ट्यूटर का मार्गदर्शन पढ़ने के बाद सिम्युलेटर अपना जवाब बदलता है या नहीं। लैब के अनुसार, ये दोनों मापदंड एक-दूसरे के पूरक हैं: केवल पिछले व्यवहार की नकल करने वाला सिम्युलेटर यह नहीं दिखा सकता कि शिक्षण के किसी हस्तक्षेप से मदद मिली या नहीं; वहीं, जो हमेशा ट्यूटर के निर्देशों का पालन करता है, वह किसी खास छात्र की खूबियों, कमज़ोरियों और संभावित गलतियों को नज़रअंदाज़ कर सकता है।

शोधपत्र के प्रकाशन पृष्ठ के अनुसार, StudentSimEval एक मानकीकृत प्रोटोकॉल में इन दोनों मापदंडों को लागू करता है। इसमें तीनों क्षेत्रों के 60 छात्र शामिल हैं और यह शोध के लिए साझा किए गए पहचान-रहित रिकॉर्ड वाले सार्वजनिक शिक्षार्थी डेटासेट से तैयार किया गया है। हर विधि को उन्हीं रिकॉर्ड पर प्रशिक्षित और आँका गया है। शतरंज में काम है खिलाड़ी की अगली चाल का अनुमान लगाना और यह पता लगाना कि प्रशिक्षण मिलने के बाद वह चाल कैसे बदल सकता है। दूसरी भाषा के रूप में अंग्रेज़ी लेखन में सिम्युलेटर ऐसे निबंध तैयार करता है जिनमें शिक्षार्थी की विशिष्ट त्रुटियाँ दिखाई देती हैं, और शिक्षक की प्रतिक्रिया के बाद किए जाने वाले सुधारों का अनुमान लगाता है। गणित में यह अनुमान लगाता है कि छात्र बहुविकल्पीय सवाल में कौन-सा जवाब चुनेगा और व्याख्या मिलने के बाद उसका जवाब बदलेगा या नहीं।

चूँकि अलग-अलग शिक्षार्थी अक्सर केवल कुछ ही निबंध, जवाब या संवाद उपलब्ध कराते हैं, इसलिए हर छात्र के लिए शुरू से अलग सिम्युलेटर को प्रशिक्षित करने पर मॉडल के प्रशिक्षण डेटा पर ही अत्यधिक निर्भर हो जाने का जोखिम होगा। साथ ही, हर मॉडल को किसी क्षेत्र में साझा पैटर्न फिर से सीखने पड़ेंगे। इसलिए StudentSim दो चरणों वाली प्रक्रिया अपनाता है। पहले चरण में, एक ही क्षेत्र के कई छात्रों के रिकॉर्ड को मिलाकर प्रशिक्षण दिया जाता है, ताकि जवाबों के साझा प्रारूप, आम गलतियाँ और मार्गदर्शन के बाद छात्रों के जवाब बदलने के सामान्य तरीके सीखे जा सकें। दूसरे चरण में, मॉडल को एक छात्र के अपने रिकॉर्ड के आधार पर विशिष्ट बनाया जाता है। सहायक कोड रिपॉज़िटरी में इस प्रक्रिया को इस तरह लागू किया गया है: पहले चरण में हर क्षेत्र के लिए एक LoRA अडैप्टर प्रशिक्षित किया जाता है, फिर दूसरे चरण में उसी अडैप्टर को हर छात्र के रिकॉर्ड पर आगे प्रशिक्षित किया जाता है। नया अडैप्टर शुरू करने के बजाय, पहले चरण का रैंक बनाए रखा जाता है। शतरंज के रिकॉर्ड CC0 शतरंज-गेम निर्यात से, लेखन के रिकॉर्ड EFCAMDAT के डेटा-निष्कर्षण से और गणित के रिकॉर्ड FoundationalASSIST के डेटा-निष्कर्षण से लिए गए हैं।

रिपोर्ट किए गए नतीजे और शतरंज ट्यूटर पर अध्ययन

Microsoft Research की रिपोर्ट के अनुसार, StudentSim तीनों क्षेत्रों में अग्रणी बेसलाइन मॉडल से बेहतर प्रदर्शन करता है। शतरंज में इसकी व्यवहारगत निष्ठा 0.5150 और मार्गदर्शन के प्रति प्रतिक्रिया 0.9067 रही। इसकी तुलना में, GPT-5.4 के लिए ये आँकड़े क्रमशः 0.2316 और 0.7186, जबकि Maia2 के लिए 0.4535 और 0.2721 रहे। Maia2 शतरंज के लिए विशेष रूप से बनाया गया मानव चाल-पूर्वानुमान मॉडल है। लैब के अनुसार, यह तुलना बेसलाइन मॉडलों के दोनों समूहों के बीच का अंतर दिखाती है: GPT-5.4 मार्गदर्शन पर प्रतिक्रिया देता है, लेकिन लगातार किसी व्यक्ति-विशेष छात्र के व्यवहार से मेल नहीं खाता; वहीं, Maia2 मानव शतरंज चालों का अनुमान लगाने में अधिक सक्षम है, लेकिन उसमें स्वाभाविक भाषा में मार्गदर्शन देने का कोई तरीका नहीं है। शोधपत्र के सार में कहा गया है कि StudentSim हर क्षेत्र में दोनों मापदंडों पर GPT-5.4 से बेहतर प्रदर्शन करता है।

टीम ने यह भी जाँचा कि प्रशिक्षित सिम्युलेटर ट्यूटर को बेहतर बनाने के लिए प्रतिक्रिया दे सकता है या नहीं। शतरंज ट्यूटर पर किए गए सुदृढीकरण अधिगम के एक अध्ययन में, ट्यूटर को शतरंज की एक स्थिति और वास्तविक विद्यार्थी की पहले की गलत चाल दी जाती है और उससे मार्गदर्शन देने को कहा जाता है; एक स्थिर वैयक्तिकृत सिम्युलेटर उस मार्गदर्शन को पढ़कर संशोधित चाल देता है। इनाम का निर्धारण मूल चाल से संशोधित चाल तक चाल की गुणवत्ता में हुए सुधार के आधार पर किया जाता है। इसे स्वतंत्र संकेत के रूप में Stockfish शतरंज इंजन से आँका जाता है। अध्ययन में तीन स्थितियों की तुलना की गई है, जिनमें ट्यूटर की नीति, पर्यवेक्षित शुरुआती बिंदु और सुदृढीकरण अधिगम की व्यवस्था समान है: सुदृढीकरण अधिगम के बिना पर्यवेक्षित सूक्ष्म-समायोजन से प्रशिक्षित ट्यूटर; GPT-5.4 के विद्यार्थी-सिम्युलेटर से मिले इनाम के आधार पर प्रशिक्षित ट्यूटर; और StudentSim से मिले इनाम के आधार पर प्रशिक्षित ट्यूटर। शतरंज के मानव विशेषज्ञों ने यह जाने बिना ट्यूटर के जवाबों का मूल्यांकन किया कि उन्हें किस स्थिति में तैयार किया गया था।

घोषणा के अनुसार, StudentSim के आधार पर प्रशिक्षित ट्यूटर की सटीकता 90.5% रही, जबकि बिना सुदृढीकरण अधिगम वाले आधार मॉडल की सटीकता 75.7% और GPT-5.4 से मिले इनाम वाली स्थिति में 71.6% रही। मार्गदर्शन की गुणवत्ता और वैयक्तिकरण के लिए भी उसे बेहतर रेटिंग मिली। Microsoft Research इस नतीजे को इस अवधारणा के प्रमाण के रूप में प्रस्तुत करता है कि वास्तविक शिक्षार्थियों के रिकॉर्ड पर प्रशिक्षित विद्यार्थी-सिम्युलेटर, ट्यूटर को प्रशिक्षित करने के लिए उपयोगी प्रतिक्रिया-संकेत दे सकते हैं।

बताई गई सीमाएँ और उपलब्धता

Microsoft Research, StudentSim को एक शोध प्रणाली के रूप में प्रस्तुत करता है, जिसका उद्देश्य वास्तविक शिक्षार्थियों के साथ परीक्षण से पहले एआई ट्यूटर का मूल्यांकन और उनमें सुधार करना है। संस्थान का कहना है कि यह कोई उत्पाद नहीं है, इसे कक्षाओं में लागू नहीं किया गया है और इसका उद्देश्य शिक्षकों की जगह लेना नहीं है। संस्थान यह भी कहता है कि शिक्षा-अनुसंधान में इस प्रणाली से वास्तविक शिक्षार्थियों की आवश्यकता समाप्त नहीं होती, क्योंकि सीखने के नतीजों, सुरक्षा, उपयोगिता और कक्षा के अनुकूल होने का आकलन करने के लिए मानव अध्ययन अब भी आवश्यक हैं। उसके अनुसार, सिम्युलेटर का उपयोग विकास-प्रक्रिया के शुरुआती चरण में होना चाहिए। इस चरण में वे शोधकर्ताओं को ट्यूटर की रणनीतियाँ परखने, मॉडलों की तुलना करने और वास्तविक विद्यार्थियों के साथ अधिक खर्चीले अध्ययन करने से पहले प्रशिक्षण-संकेतों को बेहतर बनाने में मदद कर सकते हैं। भविष्य की बताई गई दिशाओं में सीखने की लंबी अवधि वाली प्रक्रियाएँ, अधिक विषय, अधिक विस्तृत विद्यार्थी प्रोफ़ाइल और सिम्युलेटेड प्रतिक्रिया को मापे गए सीखने के नतीजों से जोड़ने वाला काम शामिल है।

इस शोध का आधार बना लेख, “StudentSim: Training LLM-based Student Simulators,” 1 सितंबर, 2026 को arXiv पर प्रस्तुत किया गया था और Microsoft Research के प्रकाशन पृष्ठ पर इसकी तारीख सितंबर 2026 दी गई है। इसके लेखक हैं Ke Yang, University of Illinois Urbana-Champaign में पीएचडी के विद्यार्थी; Chenglong Wang; Michel Galley; Chandan Singh; Jeevana Priya Inala; ChengXiang Zhai; और Jianfeng Gao। StudentSim के प्रशिक्षण और मूल्यांकन का कोड, जिसमें StudentSimEval प्रोटोकॉल भी शामिल है, MIT लाइसेंस के तहत सार्वजनिक रूप से उपलब्ध है।