Microsoft и Университет Иллинойса создали StudentSim для обучения ИИ-репетиторов на симулированных учениках
Новая система генерирует реалистичных виртуальных учеников, которые делают характерные ошибки, позволяя быстро и дешево тренировать ИИ-тьюторов. В тестах по шахматам, английскому и математике StudentSim превзошла GPT-5.4.
Исследователи из Microsoft и Университета Иллинойса разработали систему StudentSim. Ее цель - генерировать симулированных учеников, которые совершают реалистичные человеческие ошибки. Это позволяет тренировать ИИ-репетиторов быстро и с меньшими затратами, решая проблему нехватки качественных данных о взаимодействии ученика и учителя.
Ключевая задача системы - воссоздать индивидуальные особенности реальных учеников на основе ограниченного набора данных. В одном из экспериментов использовались данные 60 студентов. Это дает ИИ-тьюторам необходимую обратную связь для обучения, не требуя масштабных и дорогих пилотных исследований с людьми.
Технологию тестировали на трех предметах: шахматы, английский язык и математика. StudentSim продемонстрировала более высокую эффективность в предсказании типичных ошибок и траекторий обучения по сравнению с языковой моделью GPT-5.4. Это подтверждает ее способность генерировать реалистичные данные, включая характерные заблуждения и стратегии решения задач.
Отдельно оценивали качество подготовки самого ИИ-репетитора. Шахматный тьютор, обученный на данных от StudentSim, получил наивысшие оценки экспертов. Это доказывает практическую ценность системы: ее синтетические данные действительно улучшают итоговый продукт, позволяя тонко настраивать алгоритмы под конкретные педагогические задачи.
Обычный процесс обучения ИИ-репетиторов требует организации исследований с участием людей, что дорого и замедляет разработку. StudentSim создает практически бесконечные потоки реалистичных синтетических данных. Это значительно ускоряет цикл разработки. Система способна генерировать данные для 1047 симулированных учеников, что открывает возможности для масштабирования.
Технология прокладывает путь к созданию более персонализированных и эффективных цифровых репетиторов. Возможность быстро тестировать различные педагогические стратегии на симуляциях снижает барьер для инноваций в образовании. В перспективе это может привести к появлению адаптивных систем, которые глубже понимают причины ошибок и предлагают точечную помощь. Разработчики отмечают, что подобные инструменты могут стать стандартом к 2026 году, а их ранние версии, такие как StudentSim-09 и StudentSim-10, уже показывают многообещающие результаты, начиная с базовой модели 1920 года. Основной вывод: использование симулированных студентов для тренировки ИИ - это рабочий метод, который экономит время и ресурсы, одновременно повышая качество итогового обучающего алгоритма.
