Simulierte Lernende mit realistischen Fehlern helfen KI-Tutoren, schneller zu lernen
decoder ·
Forscher von Microsoft und der University of Illinois haben StudentSim entwickelt, ein System, das aus begrenzten Aufzeichnungen eine separate digitale Replik eines einzelnen Schülers erstellt, um schnelles Feedback für das Training von KI-Tutoren zu liefern. Anders als Ansätze, die entweder das Verhalten von Schülern nachahmen, ohne auf Anleitung zu reagieren, oder Hinweisen folgen, ohne einem bestimmten Lernenden zu entsprechen, modelliert StudentSim sowohl realistische Antwortmuster als auch, wie ein Schüler seine Antworten nach einer Betreuung überarbeitet. Zunächst lernt das System gemeinsame fachbezogene Muster aus zusammengeführten Schülerdaten und passt das Modell anschließend an den jeweiligen Lernenden an; als Grundlage dient Alibaba’s Qwen3-4B-Instruct. In Tests mit 60 Schülern in den Bereichen Schach, Englisch als Fremdsprache und Mathematik schnitt StudentSim besser ab als GPT-5.4, wenn das Modell dazu aufgefordert wurde, die Rolle eines Schülers einzunehmen. Ein mit StudentSim trainierter Schach-Tutor erhielt die besten Bewertungen für faktische Genauigkeit, Erklärungsqualität und die Anpassung an den einzelnen Lernenden. Die Forscher bezeichnen die Ergebnisse als Machbarkeitsnachweis, weisen darauf hin, dass sich offene Fächer schwieriger zuverlässig bewerten lassen, und planen, zu modellieren, wie Schüler Wissen über wiederholtes Üben erwerben, behalten und vergessen.
decoder