Microsoft Research introduceert StudentSim voor het trainen van AI-tutoren

In een aankondiging van 12 oktober 2026 introduceerde Microsoft Research StudentSim, een onderzoekssysteem dat voor elke afzonderlijke student een gepersonaliseerde simulator opbouwt. Die legt vast hoe de student vragen beantwoordt en hoe die antwoorden veranderen na begeleiding door een tutor. Het onderzoek introduceert ook StudentSimEval, een benchmark en evaluatieprotocol voor schaken, schrijven in het Engels als tweede taal en wiskunde. Het lab meldde dat het bijbehorende artikel en de trainingscode openbaar beschikbaar zijn.

Het feedbackprobleem bij de ontwikkeling van AI-tutoren

Microsoft Research beschrijft een meetprobleem dat centraal staat in onderzoek naar AI-tutoren: de kwaliteit van het onderwijs kan niet alleen worden beoordeeld aan de hand van het antwoord van de tutor, omdat een tutor moet weten wat er gebeurt zodra de student de begeleiding krijgt. Openstaande vragen zijn onder meer of de student de oorspronkelijke fout heeft hersteld, of een hint de student hielp zelf naar het antwoord toe te redeneren of juist te veel verklapte, en of een andere student een ander soort ondersteuning nodig zou hebben. Het lab merkt op dat zulke vragen tegenwoordig doorgaans alleen kunnen worden beantwoord met onderzoeken onder echte leerlingen. Die zijn waardevol, maar kosten veel tijd en geld, waardoor feedback van studenten lastig te benutten is tijdens snelle modeliteraties.

De bestaande alternatieven kennen aantoonbare beperkingen. Microsoft Research merkt op dat je een groot taalmodel met een prompt de rol van een leerling kunt laten spelen, zodat het de toon van een student kan nabootsen en onzekerheid kan uitdrukken. Het is echter moeilijker om de werkelijke grenzen van de vaardigheden van die leerling aan te houden. Een gesimuleerde student die te vaardig is, kan een tutor bovendien effectiever doen lijken dan die is, door misleidende feedback te geven. Modellen voor kennisvolging en gedragsvoorspelling zijn gebaseerd op echte leergegevens, maar veel van deze modellen zijn nooit ontworpen om natuurlijke-taalbegeleiding van een tutor als invoer te verwerken. De samenvatting van het artikel schetst hetzelfde contrast: modellen die de toestand van een leerling volgen, komen overeen met geregistreerd gedrag, maar kunnen slecht overweg met uitleg of correcties. Vloeiende rollenspellen volgen daarentegen de gegeven begeleiding, maar bootsen het vaardigheidsniveau van de nagebootste student niet betrouwbaar na.

Maatstaven en trainingsproces van StudentSimEval

Het evaluatieontwerp bouwt voort op onderwijsonderzoek, waaronder Vygotsky’s zone van naaste ontwikkeling, die onderscheid maakt tussen wat een leerling zelfstandig kan en wat die met ondersteuning kan. StudentSim vertaalt dat idee naar twee maatstaven. Gedragstrouw meet in hoeverre een simulator de geregistreerde antwoorden van een specifieke student op achtergehouden opgaven nabootst. Responsiviteit op begeleiding meet of de simulator zijn antwoord aanpast nadat die de aanwijzingen van een tutor heeft gelezen. Volgens het lab vullen die twee maatstaven elkaar aan: een simulator die alleen gedrag uit het verleden nabootst, kan niet laten zien of een onderwijsinterventie heeft geholpen. Een simulator die de tutor altijd volgt, kan daarentegen de sterke en zwakke punten en waarschijnlijke fouten van een specifieke student over het hoofd zien.

StudentSimEval past de twee maatstaven toe in een gestandaardiseerd protocol voor 60 studenten en de drie domeinen. Het protocol is gebaseerd op openbare datasets met geanonimiseerde gegevens van leerlingen die voor onderzoek beschikbaar zijn gesteld. Volgens de publicatiepagina van het artikel worden alle methoden met dezelfde gegevens getraind en beoordeeld. Bij schaken bestaat de taak uit het voorspellen van de volgende zet van een speler en hoe die speler de zet mogelijk aanpast na coaching. Bij schrijven in het Engels als tweede taal produceert de simulator essays met de kenmerkende foutpatronen van een leerling en voorspelt die welke correcties de leerling na feedback van een docent aanbrengt. Bij wiskunde voorspelt de simulator welk meerkeuzeantwoord een student kiest en of dat antwoord verandert na een uitleg.

Omdat individuele leerlingen vaak maar een klein aantal essays, antwoorden of interacties bijdragen, zou het trainen van een aparte simulator vanaf nul voor elke student het risico op overfitting met zich meebrengen. Bovendien zou elk model dan patronen opnieuw moeten leren die binnen een domein door meerdere leerlingen worden gedeeld. Daarom gebruikt StudentSim een proces in twee fasen. In de eerste fase wordt het model getraind op gegevens van veel studenten binnen hetzelfde domein. Zo leert het gedeelde antwoordstructuren, veelvoorkomende fouten en de manieren waarop studenten hun antwoorden doorgaans aanpassen na begeleiding. In de tweede fase wordt het model afgestemd op de gegevens van één specifieke student. De bijbehorende coderepository voert dit uit met één LoRA-adapter per domein, die in de eerste fase wordt getraind en vervolgens in de tweede fase verder wordt getraind op de gegevens van elke student. Daarbij neemt de adapter de rang van de eerste fase over, in plaats van met een nieuwe adapter te beginnen. De schaakgegevens zijn afkomstig uit een CC0-export van schaakpartijen, de schrijfgegevens uit een EFCAMDAT-extract en de wiskundegegevens uit een FoundationalASSIST-extract.

Gerapporteerde resultaten en het schaaktutoronderzoek

Microsoft Research meldt dat StudentSim in alle drie de domeinen beter presteert dan toonaangevende referentiemodellen. Voor schaken rapporteert het lab een gedragstrouw van 0,5150 en een responsiviteit op begeleiding van 0,9067. Ter vergelijking: GPT-5.4 behaalt respectievelijk 0,2316 en 0,7186, en Maia2 0,4535 en 0,2721. Maia2 is een model dat specifiek is ontwikkeld om menselijke schaakzetten te voorspellen. Volgens het lab laat deze vergelijking het verschil tussen de twee groepen referentiemodellen zien: GPT-5.4 reageert op begeleiding, maar komt niet consequent overeen met het gedrag van een individuele student. Maia2 voorspelt menselijke schaakzetten beter, maar kan geen natuurlijke-taalbegeleiding verwerken. In de samenvatting van het artikel staat dat StudentSim in elk domein op beide maatstaven beter presteert dan GPT-5.4.

Het team testte ook of een getrainde simulator feedback kan geven om tutors te optimaliseren. In een onderzoek naar reinforcement learning voor een schaaktutor krijgt de tutor een stelling en een eerdere, onjuiste zet van een echte leerling voorgelegd en geeft vervolgens aanwijzingen. Een bevroren, gepersonaliseerde simulator leest de aanwijzingen en genereert een aangepaste zet. De beloning is de verbetering van de zetkwaliteit tussen de oorspronkelijke en de aangepaste zet, beoordeeld met de schaakengine Stockfish als onafhankelijke maatstaf. Het onderzoek vergelijkt drie omstandigheden met hetzelfde tutorbeleid, hetzelfde beginpunt voor supervised training en dezelfde opzet voor reinforcement learning: een tutor die supervised fine-tuning heeft ondergaan, maar geen reinforcement learning; een tutor die is getraind met een beloning op basis van een door GPT-5.4 gesimuleerde leerling; en een tutor die is getraind met een beloning op basis van StudentSim. Schaakexperts beoordeelden de antwoorden van de tutors zonder te weten onder welke omstandigheid die waren gegenereerd.

Volgens de aankondiging behaalt de tutor die is getraind met StudentSim een nauwkeurigheid van 90,5%, tegenover 75,7% voor de baseline zonder reinforcement learning en 71,6% voor de conditie met de beloning op basis van GPT-5.4. Ook krijgt deze tutor hogere beoordelingen voor de kwaliteit van de aanwijzingen en de mate van personalisatie. Microsoft Research omschrijft dit resultaat als een proof of concept dat simulators van leerlingen, getraind op basis van gegevens van echte leerlingen, kunnen dienen als een bruikbaar feedbacksignaal voor het trainen van tutors.

Aangegeven beperkingen en beschikbaarheid

Microsoft Research presenteert StudentSim als een onderzoekssysteem om AI-tutors te evalueren en te verbeteren voordat ze met echte leerlingen worden getest. Het lab zegt dat het geen product is, niet in klaslokalen is ingezet en niet bedoeld is om docenten te vervangen. Ook stelt het lab dat het systeem onderzoek in het onderwijs niet overbodig maakt: onderzoek met mensen blijft essentieel om leerresultaten, veiligheid, gebruiksgemak en de geschiktheid voor gebruik in de klas te meten. Volgens het lab horen simulators eerder in het ontwikkelproces thuis. Ze kunnen onderzoekers helpen tutorstrategieën te testen, modellen te vergelijken en trainingssignalen te verfijnen voordat duurdere onderzoeken met echte leerlingen worden uitgevoerd. De genoemde toekomstige onderzoeksterreinen omvatten langere leertrajecten, meer vakgebieden, uitgebreidere leerlingprofielen en onderzoek naar het verband tussen gesimuleerde feedback en gemeten leerresultaten.

Het onderliggende artikel, “StudentSim: Training LLM-based Student Simulators”, werd op 1 september 2026 ingediend bij arXiv en is op de publicatiepagina van Microsoft Research gedateerd op september 2026. De auteurs zijn Ke Yang, promovendus aan de University of Illinois Urbana-Champaign; Chenglong Wang; Michel Galley; Chandan Singh; Jeevana Priya Inala; ChengXiang Zhai; en Jianfeng Gao. De code voor het trainen en evalueren van StudentSim, waaronder het StudentSimEval-protocol, is openbaar beschikbaar onder de MIT-licentie.