微軟研究院近日推出 StudentSim，一套專為 AI 助教（AI tutor）做研發生階段的系統。簡單講，佢係喺真正測試俾真實學生之前，先製造一批「AI 學生」幫 AI 助教試身，睇下佢哋嘅教學有冇著數。
研究強調，呢個系統唔係產品、唔會喺課室部署、亦唔打算取代老師，純粹係研發生期間嘅評測工具。
點解要做呢嘢？問題出喺 AI 助教點樣被評分。研究指，助教嘅質素唔止看佢自己話乜，仲要看學生收到提示之後會點做——佢改正咗原本嘅錯未？提示係助佢推理定俾太多？另一個學生又需唔需要另一種支援。要答呢啲問題，傳統做法得靠真人研究，但真人研究慢、貴、又難擴展，難以配合模型快速迭代。
StudentSim 嘅做法，係基於公開、去識別化嘅學習紀錄，訓練「個人化」嘅學生模擬器——每位學生對應一個模擬器，模擬佢點回答問題、以及喺收到助教提示之後答案會點改變。研究同時推出 StudentSimEval，一套橫跨棋盤、以英語為第二語言寫作、數學三個範疇嘅基準測試協議。
研究團隊指，StudentSim 喺三個範疇均勝過現有領先基線，並為訓練 AI 助教提供有用嘅回饋訊號。
但「讓 AI 扮學生」唔係新嘢，難喺度。最簡單嘅做法就係話畀大語言模型（LLM，即能理解同產生自然語言嘅模型）扮演一個學生，例如提示詞寫「你係一個數學苦手嘅小學生」。模型可以改口吻、可以表現唔確定，但難點係保留該學生真正嘅能力邊界。一個模型可以用細路聲講嘢，但背後依賴嘅知識同推理完全超越嗰個學生嘅水平；呢個會對 AI 助教產生誤導——模擬學生太叻，嗰個助教就自動顯得有效。
傳統學生建模方法（如知識追蹤、行為預測模型）有另一面限制：呢啲模型基於真實學習紀錄、可以估計學生嘅知識、技能與學習習慣，但好多都唔係設計做接收自然語言助教提示嘅，佢哋可以描述學生做過乜，但未必能告訴我們學生收到提示之後會點反應。
研究使用嘅數據全部係為研究而發布嘅公開學習紀錄，全程唔用個人識別資訊。
模姐驗嚇貨：呢個研究有意思嘅地方，唔係「學生被模擬」，而係佢將 AI 助教嘅評分邏輯，由「答題正確率」推進到「提示之後嘅學習變化」。呢個先係教育研究一向講嘅東西——教得好唔好，唔係睇講咗乜，係睇聽完之後佢懂未。
但要注意，研究原文喺傳統方法限制部分截斷，未見完整段落，以及 StudentSim 與不同基線嘅具體量化數據。呢版研究出自微軟研究院，屬單一廠商自述，獨立驗證未見。對於「個人化模擬」嘅泛化能力、以及數據去識別化後對模擬保真度嘅影響，亦屬未解之謎，留待後續研究。
模姐｜深度調教
