業界消息

Microsoft Research 發表研究系統 StudentSim，以公開的學習紀錄為每名學生訓練一個 AI 模擬器，讓 AI 補習老師在接觸真實學生前，先測試自己的指導能否令學生理解並改正錯誤。在國際象棋測試中，StudentSim 的行為擬真度為 0.5150，以提示詞驅動的 GPT-5.4 只有 0.2316。論文及程式碼已公開，但 Microsoft 表明 StudentSim 不是產品，沒有在課室部署，亦無意取代老師。這項研究反映評估 AI 教學工具的標準，開始由「答案對不對」轉向「學生有沒有學會」。

只看答案對錯，量度不到 AI 補習老師教得好不好

Microsoft 指出，AI 補習老師的教學質素不能只看它給出的答案。補習老師要知道學生收到指導後有甚麼變化：學生有沒有改正原本的錯誤，提示是幫學生推理出答案還是透露太多，另一名學生又會否需要不同的支援。要回答這些問題，最直接的方法是找真實學生做研究，但這類研究既慢又貴，難以配合模型快速迭代。

用 AI 扮學生是替代方法之一，惟現有做法各有缺陷。直接要求大型語言模型扮演學生，模型可以模仿年幼學生的語氣，運用的知識及推理卻遠超該學生的水平；模擬學生太聰明，補習老師就會顯得比實際有效，回饋反而誤導訓練。用來追蹤學生掌握程度的傳統知識追蹤模型亦不合用，因為這類模型大多不能接收以自然語言寫成的指導，回答不到「學生聽完這句提示後會怎樣」。

每名學生一個模擬器，先學共性再學個人

StudentSim 為每名學生建立個人化模擬器，模擬該學生怎樣回答問題，以及收到補習老師指導後答案怎樣改變。單一學生的紀錄通常不多，所以系統分 2 個階段訓練：第一階段以同一範疇多名學生的合併紀錄訓練，學習常見作答格式、常見錯誤及學生收到指導後的常見修改方式；第二階段再以個別學生自己的紀錄作專門化訓練，令模擬器貼近該學生的習慣。

技術上有報道指，程式碼為每個範疇訓練一個 LoRA（低秩微調）adapter，再按每名學生的紀錄繼續訓練；另有報道指底層模型是小型指令調校模型 Qwen3-4B-Instruct。訓練數據方面，Microsoft 表示研究只使用為研究用途公開、已去除身份識別的學習者數據集，任何階段都沒有用上個人識別資料。

國際象棋測試：擬真度比 GPT-5.4 高逾 1 倍

要判斷模擬器像不像真學生，Microsoft 借用心理學家 Vygotsky 的「近側發展區」概念，即學生獨立作答與獲得指導時的表現差距，並由此定出 2 項指標。行為擬真度（behavioral fidelity）量度模擬器在未見過的題目上，是否與某名學生的實際紀錄相符；指導反應度（guidance responsiveness）則量度模擬器讀完補習老師的指導後，會否更新答案。Microsoft 表示兩項指標互相補足：前者檢視模擬器能否維持學生原本的水平，後者檢視它會否對教學作出反應。

研究團隊同時推出基準測試 StudentSimEval，涵蓋國際象棋、英語作為第二語言寫作及數學 3 個範疇，共 60 名學生，據報道分佈為國際象棋 30 名、英語寫作及數學各 15 名。國際象棋的結果如下：

以上數字由 Microsoft Research 於 2026 年 10 月公布。按數字計，StudentSim 的行為擬真度約為 GPT-5.4 的 2.2 倍。另一個對照是國際象棋專用的人類棋步預測模型 Maia2，它的擬真度略低於 StudentSim，指導反應度卻只有 0.2721，意味它較能預測學生會下哪一步，卻甚少因應指導而改變。據論文摘要，StudentSim 在 3 個範疇的 2 項指標上都勝過 GPT-5.4。

用模擬學生訓練補習老師，專家評分達 90.5%

模擬器的另一用途，是反過來為 AI 補習老師提供訓練訊號。Microsoft 以國際象棋做強化學習實驗：補習老師看到棋局及學生之前走錯的一步後提供指導，參數已凍結的 StudentSim 讀完指導後給出修改後的棋步，再由 Stockfish 棋類引擎按棋步質素的進步計算獎勵。換言之，補習老師要令模擬學生真的下得更好才會得分，指導寫得漂亮並不足夠。

國際象棋專家在不知道訓練方式的情況下評分，以 StudentSim 獎勵訓練的補習老師準確度達 90.5%，比沒有做強化學習的監督式基準（75.7%）高出約 15 個百分點；以 GPT-5.4 作模擬學生訓練的補習老師則只有 71.6%。

GPT-5.4 版本的表現比完全不做強化學習更差，呼應 Microsoft 對模擬學生太聰明的憂慮：模擬學生能力太高，可能無論收到甚麼提示都走出好棋，獎勵便難以分辨指導的好壞。對開發團隊而言，這反映選錯模擬學生，額外投入的訓練成本可能換來反效果。

開發 AI 培訓工具，要先問學員能否改正錯誤

StudentSim 針對學生學習，但同一套思路亦可能適用於企業內部的 AI 培訓及知識助手。開發 AI 補習工具的教育科技公司、企業學習與發展（L&D）主管，以及負責採購學習平台的 IT Manager，評估產品時除了看答案準確度，可以要求供應商說明怎樣量度學員收到提示後有沒有改正錯誤、提示會否直接透露答案，以及系統能否按不同程度的學員調整支援。

團隊如打算用大型語言模型扮學員做內部測試，就要留意模擬學員太聰明會高估工具成效，宜先以真實學員的紀錄對照。StudentSim 的論文及程式碼已在 GitHub 公開，據報道以 MIT 授權發佈，技術團隊可參考其評估方案；惟 Microsoft 強調模擬只是早期研究訊號，學習成效、安全及易用度仍要以真人測試確認，亦有評論指出 2 項指標並非直接量度學習成效。

AI 教學工具過去比拼誰答得對，StudentSim 則把問題推前一步，問學生聽完之後有沒有學會。如果這類評估方法獲業界採用，模擬學生可能成為 AI 教學工具部署前的一個測試環節。

來源：Microsoft Research Blog