Microsoft Research presenterar StudentSim för träning av AI-handledare

I ett tillkännagivande den 12 oktober 2026 presenterade Microsoft Research StudentSim, ett forskningssystem som skapar en personlig simulator för varje enskild elev och fångar hur eleven besvarar frågor och hur svaren förändras efter vägledning från en handledare. Arbetet introducerar också StudentSimEval, ett riktmärke och ett utvärderingsprotokoll som omfattar schack, engelskspråkigt skrivande som andraspråk och matematik. Forskargruppen uppgav att den bakomliggande artikeln och träningskoden är offentligt tillgängliga.

Problemet med återkoppling vid utveckling av AI-handledare

Microsoft Research beskriver ett mätproblem som står i centrum för forskningen om AI-handledare: undervisningens kvalitet kan inte bedömas enbart utifrån handledarens svar, eftersom handledaren behöver veta vad som händer när dess vägledning når en elev. Bland de obesvarade frågorna finns om eleven rättade det ursprungliga misstaget, om en ledtråd hjälpte eleven att resonera sig fram till svaret eller avslöjade för mycket, och om en annan elev skulle behöva ett annat slags stöd. I dag krävs det, konstaterar forskargruppen, vanligtvis studier med verkliga elever för att besvara sådana frågor. De är värdefulla, men tar lång tid och är kostsamma att genomföra, vilket gör det svårt att använda elevåterkoppling under snabba modelliterationer.

Befintliga genvägar har väl dokumenterade begränsningar. Microsoft Research konstaterar att instruktioner till en stor språkmodell om att spela rollen som elev kan återskapa elevens tonfall och uttrycka osäkerhet, men att det är svårare att hålla sig inom elevens faktiska förmågegräns. En simulerad elev med alltför hög förmåga kan dessutom få en handledare att framstå som effektiv genom missvisande återkoppling. Modeller för kunskapsspårning och beteendeprediktion bygger på verkliga lärandedata, men många utformades aldrig för att ta emot handledarvägledning på naturligt språk som indata. Artikelns sammanfattning lyfter fram samma kontrast: modeller som spårar tillstånd ligger nära det registrerade beteendet, men hanterar förklaringar och rättelser dåligt, medan flytande rollspel följer vägledningen utan att tillförlitligt återskapa den imiterade elevens förmågenivå.

StudentSimEvals mått och träningsprocess

Utvärderingsupplägget hämtar inspiration från utbildningsforskning, bland annat från Vygotskijs proximala utvecklingszon, som skiljer mellan vad en elev kan göra på egen hand och vad eleven kan göra med stöd. StudentSim omsätter den idén i två mått. Beteendetrogenhet mäter hur väl en simulator återskapar en viss elevs registrerade svar på undanhållna problem, medan mottaglighet för vägledning mäter om simulatorn ändrar sitt svar efter att ha läst handledarens vägledning. Forskargruppen beskriver måtten som kompletterande: en simulator som bara speglar tidigare beteende kan inte visa om en undervisningsinsats hjälpte, medan en simulator som alltid följer handledaren kan missa en viss elevs styrkor, svagheter och sannolika misstag.

StudentSimEval tillämpar de två måtten i ett standardiserat protokoll som omfattar 60 elever inom de tre områdena. Protokollet bygger på offentliga elevdatamängder med avidentifierade uppgifter som delats för forskning, och enligt artikelns publikationssida tränas och poängsätts alla metoder på samma uppgifter. I schack går uppgiften ut på att förutsäga en spelares nästa drag och hur spelaren kan tänkas ändra det efter handledning. Vid engelskspråkigt skrivande som andraspråk skapar simulatorn uppsatser med de karakteristiska felmönstren hos en elev och förutsäger vilka rättelser eleven gör efter återkoppling från läraren. I matematik förutsäger den vilket flervalsalternativ en elev väljer och om svaret ändras efter en förklaring.

Eftersom enskilda elever ofta bara bidrar med ett litet antal uppsatser, svar eller interaktioner skulle träning av en separat simulator från grunden för varje elev innebära risk för överanpassning och tvinga varje modell att på nytt lära sig mönster som delas inom ett område. StudentSim använder därför en process i två steg: i det första tränas modellen på uppgifter som samlats in från många elever inom samma område, så att den lär sig gemensamma svarsformat, typiska fel och hur elever brukar ändra sina svar efter vägledning. I det andra steget anpassas modellen till en enskild elevs egna uppgifter. Den tillhörande kodlagringsplatsen implementerar detta genom att först träna en LoRA-adapter per område och sedan fortsätta träningen på varje elevs uppgifter, med rangvärdet från det första steget i stället för att börja med en ny adapter. Schackuppgifterna kommer från en CC0-export av schackpartier, skrivuppgifterna från ett utdrag ur EFCAMDAT och matematikuppgifterna från ett utdrag ur FoundationalASSIST.

Redovisade resultat och studien med en schackhandledare

Microsoft Research rapporterar att StudentSim presterar bättre än ledande baslinjemodeller inom alla tre områden. Inom schack rapporteras en beteendetrogenhet på 0,5150 och en mottaglighet för vägledning på 0,9067, jämfört med 0,2316 respektive 0,7186 för GPT-5.4 och 0,4535 respektive 0,2721 för Maia2, en modell för förutsägelse av mänskliga drag som är specialiserad på schack. Forskargruppen beskriver jämförelsen som ett exempel på skillnaden mellan de två typerna av baslinjemodeller: GPT-5.4 reagerar på vägledning utan att konsekvent efterlikna en enskild elevs beteende, medan Maia2 ligger närmare när det gäller att förutsäga mänskliga schackdrag men saknar möjlighet att ta emot vägledning på naturligt språk. I artikelns sammanfattning anges att StudentSim presterar bättre än GPT-5.4 på båda måtten inom samtliga områden.

Teamet testade också om en tränad simulator kan ge återkoppling för att optimera handledare. I en studie av förstärkningsinlärning för en schackhandledare får handledaren en ställning tillsammans med en verklig elevs tidigare felaktiga drag och ger vägledning. En fryst, individanpassad simulator läser vägledningen och föreslår ett nytt drag. Belöningen utgörs av förbättringen av dragets kvalitet från det ursprungliga till det nya draget, beräknad med schackmotorn Stockfish som en oberoende signal. Studien jämför tre villkor med samma handledarpolicy, övervakade startpunkt och upplägg för förstärkningsinlärning: en finjusterad handledare utan förstärkningsinlärning, en handledare tränad med en belöning från en GPT-5.4-simulerad elev och en handledare tränad med en belöning från StudentSim. Schackexperter bedömde handledarnas svar utan att veta vilket villkor de kom från.

Enligt tillkännagivandet når handledaren som tränats med StudentSim en träffsäkerhet på 90,5 %, jämfört med 75,7 % för baslinjen utan förstärkningsinlärning och 71,6 % för villkoret med belöning från GPT-5.4. Den får också högre betyg för vägledningens kvalitet och individanpassning. Microsoft Research beskriver resultatet som ett proof of concept som visar att elevsimulatorer tränade på verkliga elevuppgifter kan fungera som en användbar återkopplingssignal vid träning av handledare.

Angivna begränsningar och tillgänglighet

Microsoft Research beskriver StudentSim som ett forskningssystem för att utvärdera och förbättra AI-handledare innan de testas med verkliga elever. Enligt forskningslabbet är det ingen produkt, har inte införts i klassrum och är inte avsett att ersätta lärare. Forskningslabbet betonar också att systemet inte undanröjer behovet av verkliga elever inom utbildningsforskningen, eftersom studier med människor fortfarande är avgörande för att mäta läranderesultat, säkerhet, användbarhet och lämplighet för klassrumsmiljön. Simulatorer hör enligt labbet hemma tidigare i utvecklingsprocessen, där de kan hjälpa forskare att testa handledningsstrategier, jämföra modeller och förfina träningssignaler innan mer kostsamma studier med verkliga elever genomförs. Bland de angivna framtida inriktningarna finns längre lärandeförlopp, fler ämnen, mer detaljerade elevprofiler och arbete med att koppla simulerad återkoppling till uppmätta läranderesultat.

Den bakomliggande artikeln, “StudentSim: Training LLM-based Student Simulators”, skickades in till arXiv den 1 september 2026 och är daterad september 2026 på Microsoft Researchs publikationssida. Författarna är Ke Yang, doktorand vid University of Illinois Urbana-Champaign; Chenglong Wang; Michel Galley; Chandan Singh; Jeevana Priya Inala; ChengXiang Zhai; och Jianfeng Gao. Koden för träning och utvärdering av StudentSim, inklusive protokollet StudentSimEval, är offentligt tillgänglig under MIT-licensen.