StudentSim обучает ИИ-репетиторов на цифровых моделях учеников
Исследователи Microsoft и Университета Иллинойса создали StudentSim — метод моделирования отдельных учеников по небольшому числу их работ. В экспериментах на 60 учащихся система лучше GPT-5.4 предсказывала ответы и помогала обучить шахматного репетитора.
Модель должна воспроизводить и ошибки, и реакцию на подсказки
Работающая с учениками команда сталкивается с высокой стоимостью и длительностью сбора обратной связи от большой и разнообразной группы. Авторы исследования предлагают заменить часть таких проверок цифровыми моделями учеников. StudentSim создаёт отдельную симуляцию для каждого человека даже при небольшом количестве его предыдущих работ.
По описанию исследователей, существующие подходы обычно хорошо справляются лишь с одной задачей: одни повторяют привычные ответы учащегося, но не реагируют на объяснения репетитора; другие следуют подсказкам, однако не воспроизводят уровень и типичные ошибки конкретного ученика. StudentSim оценивает оба свойства — сходство ответов и способность изменить ответ после помощи.
Общие данные помогают работать при малом числе примеров
Обучение проходит в два этапа. Сначала базовая модель изучает общие закономерности по группе учащихся одного предмета, затем её адаптируют к конкретному человеку. В наборе работ по английскому языку у медианного ученика было всего три эссе, а более двух третей написали не больше пяти. В качестве основы авторы использовали Qwen3-4B-Instruct.
Метод проверили на данных 60 учеников в шахматах, английском как иностранном и математике. В поставленном авторами сравнении StudentSim превзошла более крупную GPT-5.4, которой предлагали изображать ученика. Для шахмат система примерно вдвое чаще правильно предсказывала следующий ход конкретного игрока и почти всегда следовала корректирующим подсказкам.
Проверка репетитора была доказательством концепции
Затем исследователи обучили шахматного репетитора с помощью симуляций и попросили профессиональных шахматистов оценить три версии: без дополнительного обучения, обученную на GPT-5.4 и обученную на StudentSim. Последняя получила лучшие оценки по всем трём показателям — фактической точности, качеству объяснений и адаптации к ученику. Версия с GPT-5.4 уступила даже варианту без дополнительного обучения по фактической точности.
Авторы называют результат предварительной проверкой, а не доказательством, что создан лучший репетитор. Шахматы удобны для эксперимента, потому что движок может объективно оценить ход; свободные ответы в эссе и математике сложнее надёжно измерить. Дальше команда планирует моделировать, как ученики усваивают, сохраняют и забывают знания на серии занятий. Код проекта опубликован на GitHub.