Microsoft Research introduserer StudentSim for opplæring av AI-veiledere

I en kunngjøring 12. oktober 2026 introduserte Microsoft Research StudentSim, et forskningssystem som lager en personlig simulator for hver enkelt elev. Den fanger opp hvordan eleven svarer på spørsmål, og hvordan svarene endrer seg etter veiledning fra en lærer. Arbeidet introduserer også StudentSimEval, en referanse og evalueringsprotokoll som omfatter sjakk, skriving på engelsk som andrespråk og matematikk. Forskningsgruppen opplyste at den underliggende artikkelen og opplæringskoden er offentlig tilgjengelige.

Utfordringen med tilbakemeldinger i utviklingen av AI-veiledere

Microsoft Research beskriver et måleproblem som står sentralt i forskningen på AI-veiledere: Kvaliteten på undervisningen kan ikke vurderes ut fra veilederens svar alene, fordi veilederen må vite hva som skjer når eleven mottar veiledningen. Blant de ubesvarte spørsmålene er om eleven rettet opp den opprinnelige feilen, om et hint hjalp eleven med å resonnere seg fram til svaret eller røpet for mye, og om en annen elev ville trengt en annen type støtte. I dag krever det vanligvis studier med virkelige elever å besvare slike spørsmål, påpeker forskningsgruppen. Slike studier er verdifulle, men tidkrevende og kostbare å gjennomføre, noe som gjør det vanskelig å bruke tilbakemeldinger fra elever mens modeller videreutvikles raskt.

Eksisterende snarveier har dokumenterte begrensninger. Microsoft Research påpeker at man ved å be en stor språkmodell spille rollen som elev, kan få den til å gjenskape elevens tone og uttrykke usikkerhet. Det er imidlertid vanskeligere å få modellen til å holde seg innenfor elevens faktiske ferdighetsnivå, og en simulert elev som er for dyktig, kan få en veileder til å framstå som effektiv på grunnlag av misvisende tilbakemeldinger. Modeller for kunnskapssporing og atferdsprediksjon bygger på faktiske læringsdata, men mange av dem ble aldri utformet for å ta imot veiledning fra en lærer formulert i naturlig språk. Sammendraget av artikkelen trekker fram den samme kontrasten: Modeller som sporer elevens tilstand, samsvarer med registrert atferd, men håndterer forklaringer eller korrigeringer dårlig. Flytende rollespill følger derimot veiledningen, men gjenskaper ikke pålitelig ferdighetsnivået til eleven modellen etterligner.

Måleparametere og opplæringsløp i StudentSimEval

Evalueringsopplegget bygger blant annet på utdanningsforskning og Vygotskys nærmeste utviklingssone, som skiller mellom det en elev kan gjøre på egen hånd, og det eleven kan gjøre med støtte. StudentSim omsetter denne ideen til to måleparametere. Atferdsmessig samsvar måler hvor nøyaktig en simulator gjenskaper svarene en bestemt elev har gitt på problemer som holdes utenfor treningsdataene. Respons på veiledning måler om simulatoren endrer svaret sitt etter å ha lest veiledning fra en lærer. Forskningsgruppen beskriver de to måleparameterne som utfyllende: En simulator som bare gjenspeiler tidligere atferd, kan ikke vise om et undervisningstiltak hjalp, mens en simulator som alltid følger lærerens veiledning, kan overse en bestemt elevs styrker, svakheter og sannsynlige feil.

StudentSimEval bruker de to måleparameterne i en standardisert protokoll som omfatter 60 elever innenfor de tre fagområdene. Protokollen bygger på offentlige datasett over elever, med avidentifiserte opplysninger delt for forskningsformål. Ifølge artikkelens publiseringsside trenes og evalueres alle metodene på de samme dataene. I sjakk går oppgaven ut på å forutsi spillerens neste trekk og hvordan spilleren kan komme til å endre det etter veiledning. For skriving på engelsk som andrespråk lager simulatoren tekster med de karakteristiske feilene til en elev og forutsier hvilke rettelser eleven gjør etter tilbakemeldinger fra læreren. I matematikk forutsier den hvilket svaralternativ eleven velger, og om svaret endres etter en forklaring.

Ettersom hver enkelt elev ofte bare bidrar med et lite antall tekster, svar eller samspill, ville det å trene en separat simulator fra grunnen av for hver elev innebære en risiko for overtilpasning og tvinge hver modell til å lære mønstre som går igjen innenfor et fagområde, på nytt. StudentSim bruker derfor et opplæringsløp i to trinn: Først trenes modellen på data samlet inn fra mange elever innenfor samme fagområde, slik at den lærer felles svarformater, typiske feil og hvordan elever vanligvis endrer svar etter veiledning. Deretter tilpasses modellen til dataene fra én bestemt elev. Den tilhørende kodelagringsplassen bruker én LoRA-adapter per fagområde i første trinn, som deretter videreføres på dataene fra hver elev i det andre trinnet. Adapteren beholder rangen fra første trinn i stedet for å starte med en ny adapter. Sjakkdataene stammer fra en CC0-eksport av sjakkpartier, skriveopplysningene fra et uttrekk fra EFCAMDAT og matematikkdataene fra et uttrekk fra FoundationalASSIST.

Rapporterte resultater og studien av en sjakkveileder

Microsoft Research rapporterer at StudentSim gir bedre resultater enn ledende referansemetoder innenfor alle tre fagområdene. I sjakk rapporteres et atferdsmessig samsvar på 0,5150 og en respons på veiledning på 0,9067, sammenlignet med henholdsvis 0,2316 og 0,7186 for GPT-5.4 og 0,4535 og 0,2721 for Maia2, en sjakkspesifikk modell for prediksjon av menneskelige trekk. Forskningsgruppen beskriver sammenligningen som en illustrasjon av forskjellen mellom de to typene referansemetoder: GPT-5.4 reagerer på veiledning uten konsekvent å gjenspeile atferden til en bestemt elev, mens Maia2 er bedre til å forutsi menneskelige sjakktrekk, men ikke har noen funksjon for veiledning i naturlig språk. I sammendraget av artikkelen står det at StudentSim gir bedre resultater enn GPT-5.4 på begge måleparameterne innenfor hvert fagområde.

Teamet testet også om en trent simulator kan gi tilbakemeldinger som brukes til å optimalisere veilederen. I en studie av forsterkningslæring for en sjakkveileder får veilederen en stilling sammen med et tidligere feiltrekk fra en ekte elev, og gir deretter veiledning. En fryst, personlig tilpasset simulator leser veiledningen og foreslår et revidert trekk. Belønningen er forbedringen i tre kvaliteter fra det opprinnelige trekket til det reviderte, målt med sjakkmotoren Stockfish som en uavhengig indikator. Studien sammenligner tre oppsett med samme veilederpolicy, veiledet utgangspunkt og oppsett for forsterkningslæring: en veileder som er finjustert med veiledet læring, men uten forsterkningslæring; en veileder som er trent med en belønning basert på en GPT-5.4-simulert elev; og en veileder som er trent med en StudentSim-belønning. Sjakkeksperter vurderte veiledersvarene uten å vite hvilket oppsett som hadde produsert dem.

Ifølge kunngjøringen oppnår veilederen som er trent med StudentSim, en nøyaktighet på 90.5 %, mot 75.7 % for grunnlinjen uten forsterkningslæring og 71.6 % for oppsettet med GPT-5.4-belønning. Den får også høyere vurderinger for kvaliteten på veiledningen og graden av personlig tilpasning. Microsoft Research beskriver resultatet som et bevis på konseptet: Elevsimulatorer som er trent på ekte elevdata, kan fungere som et nyttig tilbakemeldingssignal ved trening av veiledere.

Oppgitte begrensninger og tilgjengelighet

Microsoft Research presenterer StudentSim som et forskningssystem for å evaluere og forbedre AI-veiledere før de prøves ut med ekte elever. Forskningsinstituttet sier at det ikke er et produkt, ikke er tatt i bruk i klasserom og ikke er ment å erstatte lærere. Instituttet presiserer også at systemet ikke gjør ekte elever overflødige i utdanningsforskning, ettersom studier med mennesker fortsatt er avgjørende for å måle læringsresultater, sikkerhet, brukervennlighet og hvor godt løsningen passer inn i klasserommet. Simulatorer hører ifølge instituttet hjemme tidligere i utviklingsprosessen, der de kan hjelpe forskere med å teste veiledningsstrategier, sammenligne modeller og forbedre treningssignalene før mer kostbare studier med ekte elever. Blant de oppførte retningene for videre arbeid er lengre læringsforløp, flere fagområder, mer detaljerte elevprofiler og arbeid med å knytte simulerte tilbakemeldinger til målte læringsresultater.

Den underliggende artikkelen, «StudentSim: Training LLM-based Student Simulators», ble sendt inn til arXiv 1. september 2026 og er datert september 2026 på publiseringssiden til Microsoft Research. Forfatterne er Ke Yang, doktorgradsstudent ved University of Illinois Urbana-Champaign; Chenglong Wang; Michel Galley; Chandan Singh; Jeevana Priya Inala; ChengXiang Zhai; og Jianfeng Gao. Koden for trening og evaluering av StudentSim, inkludert StudentSimEval-protokollen, er offentlig tilgjengelig under MIT-lisensen.