Alle großen KI-Modelle sind wahre Schauspielprofis – der richtige Ansatz für KI-gestützten Unterricht besteht darin, 60 digitale Lernende mit echten Daten zu trainieren.

KI-Lehrer können bereits viele einzelne Lehraufgaben erledigen.

Bei einer mathematischen Aufgabe kann sie die Schritte aufteilen; bei einem englischen Aufsatz kann sie grammatische Fehler aufzeigen; bei einem Schachspiel kann sie auch den nächsten Zug erläutern. In vielen Szenarien ähnelt die Ausgabe des Modells bereits einem geduldigen Hilfslehrer.

Der Unterrichtserfolg darf jedoch nicht nur auf der Seite des Lehrers bewertet werden. Ob der Schüler nach dem Hören die Fehler korrigiert, ob er nur den Anweisungen folgt und ob dieselbe Erklärung bei verschiedenen Schülern unterschiedliche Wirkungen erzielt – all dies geschieht auf der Seite des Schülers.

Wenn KI-Lehrer personalisierte Anleitung lernen wollen, müssen sie die Reaktionen der Schüler wiederholt beobachten.

In der Realität stammen diese Reaktionen hauptsächlich aus Humanstudien. Bei jeder Anpassung der Lehrstrategie müssen Schüler zur Teilnahme aufgefordert werden, Interaktionen gesammelt und anschließend manuell bewertet werden.

KI-Modelle können schnell aktualisiert werden, aber die Geschwindigkeit der Gewinnung von Bildungsfeedback ist durch den experimentellen Zyklus von Humanstudien begrenzt.

KI-Tutoren benötigen Schülerfeedback, um den Unterricht zu verbessern, aber die Erfassung von echtem Feedback ist mit hohen Kosten verbunden. StudentSim zielt darauf ab, echte Schüleraufzeichnungen in Proxy-Feedback umzuwandeln, das in der Trainingsphase wiederholt aufgerufen werden kann.

Aktuelle Forschungen zu StudentSim gehen von diesem Widerspruch aus.

Das Forschungsteam möchte KI-Lehrer verbessern, damit sie die Stärken und Schwächen der Schüler verstehen und geeignete Anweisungen für verschiedene Schüler geben können. Im Verlauf der Arbeit richtete das Team das Problem auf den Schülersimulator aus: Können echte Schülerdaten verwendet werden, um einen bewertbaren und wiederverwendbaren KI-Schüler zu trainieren, sodass KI-Lehrer in der Trainingsphase mehr Feedback erhalten?

Papierlink: https://arxiv.org/abs/2609.01591

Code-Link: https://github.com/microsoft/StudentSim

Huggingface Paper-Seite: https://huggingface.co/papers/2609.01591

Dieses Vorhaben steht in der heutigen Forschung zu KI-Agenten nicht isoliert da. Benutzer-Simulatoren werden zu einem beliebten Forschungsbereich und finden Anwendung in Szenarien wie Kundenservice, E-Commerce, medizinischer Konsultation und Weboperationen. Forscher konstruieren simulierte Benutzer, damit Agenten vor der Inbetriebnahme mehr Interaktionen durchlaufen und Strategien, Formulierungen und Robustheit testen können.

Die Benutzersimulation im Bildungsbereich ist komplexer. Schüler haben relativ stabile Wissensgrenzen, Fehlgewohnheiten und Lernverläufe. Bei derselben Aufgabe vertauschen manche das Vorzeichen, andere missverstehen das Konzept, einige können nach dem Hören der Hinweise die Antwort selbst herleiten, während andere eine direktere Anleitung benötigen.

Der kürzlich diskutierte digitale Zwilling des menschlichen Schülers wird genau im Zusammenhang mit diesen Anforderungen entwickelt.

Die Modellierung von Schülern ist kein neues Thema

Von der Bayesschen Wissensverfolgung im Jahr 1995 über die tiefe Wissensverfolgung bis zur aufmerksamkeitsbasierten Wissensverfolgung wurde dieser Forschungsrichtung von Vorgängern fast 30 Jahre lang erforscht, und sie ist bei der Anpassung an das Verhalten von Schülern sehr ausgereift.

Ihre gemeinsame Lücke besteht darin, dass die Modelle nur strukturierte Eingaben wie Aufgaben, Zustände und Fähigkeitswerte akzeptieren und keine Schnittstelle für die Aufnahme von Anweisungen in natürlicher Sprache haben. Unabhängig davon, was der Lehrer sagt, können solche Modelle nicht interaktiv Verhaltensänderungen zeigen, die denen eines Schülers ähneln.

Es scheint sehr praktisch zu sein, wenn man direkt große Sprachmodelle als Schüler agieren lässt. Wenn man ihm den Satz „Du bist ein Grundschüler mit schwachen Mathematikkenntnissen“ vorgibt, kann das Modell sofort den Ton eines jungen Schülers annehmen und auch Zögern und Unsicherheit zeigen.

Allerdings stimmen der Rollenton und das kognitive Niveau nicht überein.

Ein Modell kann im Ton eines Grundschülers antworten „Ich verstehe das nicht ganz“, aber im nächsten Satz Schlussfolgerungen auf Niveau der Infinitesimalrechnung ziehen. Es scheint zwar einen Schüler zu spielen, aber das tatsächliche Feedback wird immer noch durch das eigene Wissensreservoir des Modells beeinflusst, das weit über das Wissensniveau hinausgehen kann, auf das es beschränkt sein soll.

Bei der Verwendung für das Training von KI-Lehrern führt diese Abweichung des kognitiven Niveaus zu Problemen. Der Tutor erhält nicht die Reaktion eines Schülers an seiner aktuellen Fähigkeitsgrenze, sondern die Reaktion eines hochleistungsfähigen Modells, das durch eine Rollenbeschreibung verpackt wurde.

Aus diesem Grund ist die Bedingung nur anhand einer Beschreibung der Fähigkeiten für große Modelle ein sehr fragiler Bedingungskanal. Diese Methode wurde in den letzten zwei Jahren häufig im Bildungsbereich angewendet, unter anderem bei der Erzeugung von Korpora für dialogisches Lernen, Multi-Agent-Klassenzimmern und Generierung von Lerndaten; gleichzeitig entsteht eine Reihe von Forschungen, die speziell ihre Gültigkeit prüfen und Zweifel aus drei Perspektiven aufwerfen: Architektur, Treue-Benchmarks und Nutzungserfahrung der Lehrer.

In der Pädagogik wird die Bewertung, ob eine Anleitung wirksam ist, normalerweise nicht nur auf das Leistungsvermögen des Schülers bei unabhängiger Bearbeitung gestützt, sondern auch darauf, wie weit der Schüler nach Erhalt von Unterstützung kommen kann.

Das von Vygotsky vorgeschlagene nahe Entwicklungszone (Zone of Proximal Development) behandelt genau dieses Thema: Der Unterschied zwischen dem, was ein Schüler aktuell selbstständig erledigen kann, und dem, was er mit Unterstützung des Lehrers erledigen kann, spiegelt den Raum wider, in dem der Unterricht eingreifen kann.

Diese Idee wurde später durch die dynamische Bewertung (Dynamic Assessment) zu einem durchführbaren Messverfahren umgesetzt: Es wird nicht nur aufgezeichnet, ob der Schüler die Aufgabe richtig gelöst hat, sondern auch beobachtet, wie sich seine Leistung ändert, nachdem er Hinweise erhalten hat.

Übertragen auf den Schülersimulator entspricht diese Idee zwei Arten von Fähigkeiten.

Erstens muss der Simulator den Zustand des Schülers bei unabhängiger Bearbeitung reproduzieren können, einschließlich seiner Fähigkeitsgrenzen, Fehlgewohnheiten und üblichen Entscheidungen. Zweitens muss der Simulator nach dem Lesen der Anweisungen des Lehrers entsprechende Veränderungen zeigen und die Aktualisierung darstellen, die dieser Schüler mit Unterstützung möglicherweise erfährt.

StudentSim

StudentSim definiert diese beiden Arten von Fähigkeiten jeweils als Behavioral Fidelity (Verhaltentreue) und Guidance Responsiveness (Ansprechbarkeit auf Anleitung) und trainiert und bewertet darauf basierend personalisierte Schülersimulatoren.

Der Schülersimulator muss zwei Fragen gleichzeitig beantworten: Ähnelt er dem Zielschüler bei unabhängiger Bearbeitung, und zeigt er entsprechende Veränderungen nach Erhalt der Anleitung des Lehrers?

Der Trainingsprozess gliedert sich in zwei Schritte.

Im ersten Schritt werden die Aufzeichnungen mehrerer Schüler in einem Bereich zusammengefasst, um ein allgemeines Modell für das Schülerverhalten zu trainieren. In dieser Phase werden gemeinsame Fehler, Antwortformate und Korrekturwege nach Anleitung erlernt.

Im zweiten Schritt wird das Training mit den eigenen Aufzeichnungen eines einzelnen Schülers fortgesetzt, um einen personalisierten Simulator zu erhalten. Da die Aufzeichnungen eines einzelnen Schülers selten sind, führt direktes Training leicht zu Überanpassung; durch das Erlernen von Gruppenregeln zuerst und anschließende Anpassung an individuelle Daten kann der zugehörige Simulator für jeden Schüler stabiler erhalten werden.

Trainingsablauf

Das Forschungsteam hat gleichzeitig StudentSimEval aufgebaut. Die Bewertung umfasst 60 echte Schüler aus drei Szenarien: Schach, Schreibunterricht in der Zweitsprache Englisch und grundlegende Mathematik.

Im Schach muss der Simulator den Zug eines Spielers in einer Partie vorhersagen und den Zug nach Anleitung durch den Trainer ändern. Beim Schreiben in der Zweitsprache muss der Simulator Aufsätze erzeugen, die den Fehlermustern des Lerners entsprechen, und Passagen gemäß den Korrekturen des Lehrers umschreiben. In Mathematik muss der Simulator die Antwort des Schülers vorhersagen und sie nach der Erklärung korrigieren.

Diese Aufgaben unterscheiden sich oberflächlich stark voneinander, aber das Bewertungsziel bleibt gleich: Zuerst wird geprüft, ob der Simulator dem Schüler selbst ähnelt, dann ob er auf Anleitung reagieren kann. Alle Methoden verwenden dieselben Schüleraufzeichnungen und werden an denselben zurückgehaltenen Testaufzeichnungen verglichen.

Bei den Schachergebnissen beträgt der F-Wert von StudentSim 0,5150 und der R-Wert 0,9067; die Werte von GPT-5.4 liegen bei 0,2316 bzw. 0,7186; die Werte von Maia2 liegen bei 0,4535 bzw. 0,2721. In den Experimenten zum Zweitsprachenschreiben und zur Mathematik übertrifft StudentSim auch die entsprechenden Baseline-Werte in beiden Indikatoren.

Zweidimensionale Ergebnisse der Schachbewertung. GPT-5.4 reagiert gut auf Anleitung, aber die Verhaltentreue ist gering; Maia2 kommt den Zügen der Spieler näher, fehlt aber die Schnittstelle für Anweisungen in natürlicher Sprache; StudentSim liegt in dem Bereich, in dem beide Indikatoren gleichzeitig hoch sind.

Diese Ergebnisse zeigen eine klare Arbeitsteilung. GPT-5.4 kann Anweisungen lesen, aber die Treue bei der Simulation spezifischer Schüler ist unzureichend. Maia2 kommt den Zügen menschlicher Spieler näher, kann aber keine Hinweise von Trainern in natürlicher Sprache aufnehmen. StudentSim wird anhand echter Lernaufzeichnungen trainiert und an jeden einzelnen Schüler angepasst, sodass es sowohl im individuellen Verhalten als auch in der Reaktion auf Anleitung Verbesserungen erzielt.

Der Schülersimulator selbst ist jedoch kein Ziel; der Endpunkt ist, dass seine Funktionalität in der realen Welt angewendet werden kann, um das Lehrermodell zu verbessern.

Bei früheren Trainings von KI-Tutoren stammte das Belohnungssignal in einigen Arbeiten aus qualitativ hochwertigen, von Experten annotierten Unterrichtsdialogen, in anderen aus allgemeinen großen Sprachmodell-Richtern, die Bewertungsskalen verwenden. Einige Arbeiten versuchten auch, die Belohnung an simulierte Schüler zu binden, verwendeten aber alle LLM-Schüler, die nur Rollen spielen und keine treue kognitive Ebene aufweisen, anstelle von Simulatoren, die an echten Lerndaten trainiert wurden. StudentSim verfolgt an dieser Stelle einen anderen Ansatz.

In der Arbeit wird StudentSim darüber hinaus in den Prozess des verstärkenden Lernens von KI-Tutoren integriert.

Das Experimentszenario ist Schach. Das System ruft zuerst falsche Züge ab, die echte Schüler gemacht haben, der KI-Tutor erzeugt eine Anleitung, und StudentSim gibt nach dem Lesen der Anleitung einen korrigierten Zug aus.

Stockfish wird verwendet, um die Qualitätsänderung des korrigierten Zugs im Vergleich zum ursprünglichen falschen Zug zu berechnen, und dieser Wert wird als RL-Signal an den Tutor zurückgegeben. Die Kontrollgruppe umfasst einen Tutor ohne RL sowie einen Tutor, der GPT-5.4 als Belohnung durch den Schülersimulator verwendet.

Der Tutor erzeugt eine Anleitung, der eingefrorene KI-Schülersimulator gibt eine korrigierte Antwort aus, und das System aktualisiert den Tutor anhand der Qualitätsänderung vor und nach der Korrektur.

Die drei Tutoren verwenden dasselbe Grundmodell, denselben SFT-Ausgangspunkt und dieselben GRPO-Einstellungen, unterscheiden sich aber in der Herkunft der Belohnung.

Nach der Blindbewertung durch Schachexperten liegt der mit StudentSim-Belohnung trainierte Tutor in Bezug auf Genauigkeit, Anleitungsqualität und Personalisierungswertung auf dem ersten Platz.

Experten bewerten unter der Bedingung einer zufällig gemischten Darstellungsreihenfolge drei Dimensionen: Die Genauigkeit misst den Anteil der Antworten ohne irreführende sachliche Fehler, Anleitungsqualität und Personalisierung werden jeweils mit 1 bis 5 Punkten bewertet. Der mit StudentSim-Belohnung trainierte Tutor belegt in allen drei Dimensionen den ersten Platz.

Besonders bemerkenswert ist eine Gruppe von Experimenten mit umgekehrten Ergebnissen: Der Tutor, der mit GPT-5.4 als Schülersimulator trainiert wurde, liegt nicht