Hibázó szimulált diákokkal gyorsabban tanulnak az AI-tanárok

A Microsoft és az Illinois-i Egyetem kutatói olyan rendszert fejlesztettek ki, amely StudentSim néven kevés, akár néhány munkapéldányból is valósághű digitális replikákat épít egy-egy diákról, hogy az AI-alapú tanárok gyorsan és olcsón kapjanak visszajelzést. A probléma az, hogy az AI-tanárok csak úgy taníthatók jól, ha sokféle valódi tanulóval kísérleteznek, ami költségvetési és időbeli okokból tilosan drága; emiatt a tanárok fejlődése elmarad az AI-modellekétől. A meglévő megoldások vagy jól utánozzák egy diák hibáit, de nem reagálnak a tanár magyarázatára, vagy követik az utasításokat, de nem adják vissza a tanuló valós tudásszintjét. A StudentSim mindkét képességet mérhető céllá teszi: vizsgálja, mennyire találja el a replika a diák tipikus hibáit, és mennyire képes javítani a tutor segítségére. A két lépcsős módszer először az adott tantárgy összes diákjának adatait tanulja meg egy közös alapmodellel (Alibaba Qwen3-4B-Instruct), majd ezt szabja hozzá az egyes tanulókhoz; így működik akkor is, amikor például az angol írásfeladatok adatbázisában a medián diák mindössze három esszét írt. 60 diábon, sakkban, angol nyelvtanulásban és matematikában végzett teszteken a StudentSim minden tantárgyban felülmúlta a nagyobb GPT-5.4-et diákszerepben: sakkban körülbelül kétszer gyakrabban találta el a játékos következő lépését, és szinte mindig követte a javító útmutatást. Egy lehetséges állásban, ahol három valódi játós három különböző lépést választott, a StudentSim mindhárom választást visszaadta, a sakkspecifikus modell mindháromnál ugyanazt jósolta, a GPT-5.4 pedig mindhármat elhibázta. Szakértői vizsgálaton a StudentSimmel kiképzett sakk-tutor nyert a három változat között kevesebb súlyos tévedéssel és a legjobb magyarázatminőséggel; a GPT-5.4-gyel tanított tutor ténybeli pontossága még a külön tanítás nélküli verziónál is rosszabb volt. A szerzők hangsúlyozzák, hogy ez még csak bizonyíték a koncepció működésére; a következő lépés a tudás hosszú távú megtartásának és felejtésének modellezése, a kód nyilvánosan elérhető GitHubon.