Des étudiants simulés qui commettent des erreurs réalistes aident les tuteurs IA à apprendre plus vite
decoder ·
Des chercheurs de Microsoft et de l’Université de l’Illinois ont mis au point StudentSim, un système qui crée, à partir de dossiers limités, une réplique numérique distincte de chaque élève afin de fournir rapidement des retours pour l’entraînement de tuteurs dotés d’IA. Contrairement aux approches qui imitent le comportement des élèves sans réagir aux conseils, ou qui suivent les indices sans correspondre à un apprenant particulier, StudentSim modélise à la fois des schémas de réponses réalistes et la façon dont un élève révise ses réponses après un accompagnement pédagogique. Le système apprend d’abord des schémas communs propres à chaque matière à partir de données regroupées sur plusieurs élèves, puis adapte le modèle à chaque apprenant, en utilisant Qwen3-4B-Instruct d’Alibaba comme modèle de base. Lors de tests menés auprès de 60 élèves en échecs, en anglais langue étrangère et en mathématiques, StudentSim a surpassé GPT-5.4 lorsque le modèle était invité à jouer le rôle d’un élève. Un tuteur d’échecs entraîné avec StudentSim a obtenu les meilleures évaluations en matière d’exactitude factuelle, de qualité des explications et d’adaptation à l’apprenant. Les chercheurs décrivent ces résultats comme une preuve de concept, soulignent que les matières à réponses ouvertes sont plus difficiles à évaluer de manière fiable et prévoient de modéliser la façon dont les élèves acquièrent, retiennent et oublient les connaissances au fil d’entraînements répétés.
decoder