Microsoft trainiert KI-Schüler, um KI-Tutoren besser zu machen

Eine Tutor-KI gegen eine große, vielfältige Schülergruppe zu trainieren, sei "unerschwinglich teuer und zeitaufwändig", schreiben die Autoren in ihrem Paper. Deshalb hinke die Verbesserung solcher Tutoren dem Fortschritt der KI-Modelle hinterher.

Als Ausweg schlagen die Forscher digitale Nachbildungen von Schülern vor, die als Stellvertreter schnell Rückmeldungen liefern. Ihr System namens StudentSim baut für jeden Schüler eine eigene Nachbildung, selbst wenn nur wenige Aufzeichnungen dieser Person vorliegen.

Zwei Fähigkeiten, die bisher niemand gemeinsam beherrschte

Bisherige Ansätze beherrschen laut den Forschern immer nur eine von zwei nötigen Fähigkeiten. Manche Modelle lernen aus echten Menschendaten und geben zuverlässig wieder, wie sich ein Schüler verhält, doch mit den Erklärungen eines Tutors können sie nichts anfangen. Andere Modelle sind Sprachmodelle, die per Anweisung einen Schüler spielen. Sie folgen den Hinweisen des Tutors mühelos, verfehlen aber das tatsächliche Können des Schülers, den sie nachahmen.

StudentSim macht aus beiden Fähigkeiten messbare Ziele: wie gut die Nachbildung die eigenen Antworten eines Schülers samt seiner typischen Fehler trifft, und wie bereitwillig sie ihre Antwort korrigiert, nachdem der Tutor geholfen hat. Beides verlangt ein Tutor-Training, denn es braucht einen realistischen Startpunkt und einen Schüler, der sich unterrichten lässt.

Zwei Trainingsschritte gegen den Datenmangel

Am meisten fehlen den Forschern Daten. Im Datensatz zum Englisch-Schreiben schreibt ein Lerner im Median nur drei Aufsätze, mehr als zwei Drittel kommen auf fünf oder weniger. Wer eine Nachbildung direkt aus so wenigen Daten trainiert, scheitert laut den Forschern, weil das Modell sich zu stark an die wenigen Beispiele klammert.

Stufe eins lernt aus den gebündelten Daten vieler Schüler, was im Fach gemeinsam ist, Stufe zwei passt dieses Modell an eine einzelne Person an. | Bild: Microsoft

StudentSim geht deshalb in zwei Schritten vor. Zuerst entsteht ein Grundmodell aus den gebündelten Daten aller Schüler eines Fachs, das häufige Fehler und den Weg von einem Tutor-Hinweis zur Korrektur lernt. Danach schneiden die Forscher dieses Grundmodell mit den wenigen Aufzeichnungen eines einzelnen Schülers auf diese Person zu. Als Basis dient in allen Fächern Alibabas Sprachmodell Qwen3-4B-Instruct.

Getestet in Schach, Sprache und Mathematik

Um die Methode zu prüfen, bauten die Forscher einen Test über 60 Schüler in Schach, Englisch als Fremdsprache und Mathematik, mit Daten aus öffentlichen Sammlungen echter Lernender. In allen drei Bereichen schlägt StudentSim das größere Sprachmodell GPT-5.4, das per Anweisung einen Schüler spielen sollte. Im Schach sagt StudentSim den nächsten Zug eines Spielers rund doppelt so oft korrekt voraus und übernimmt Korrekturhinweise fast immer, während GPT-5.4 und spezialisierte Schachmodelle zurückfallen.

Maia2 sagt für alle drei Spieler denselben Zug voraus, GPT-5.4 liegt bei allen daneben, StudentSim trifft jeden der drei individuellen Züge. | Bild: Microsoft

Jede bisherige Methode schwächelt laut den Forschern woanders. GPT-5.4 folgt Hinweisen, bildet aber die konkreten Fehler eines bestimmten Schülers nicht nach. Schachmodelle treffen zwar das Verhalten eines Spielers, verstehen aber keine sprachlichen Hinweise und ignorieren sie. An einer Position wählten drei reale Spieler drei verschiedene Züge. StudentSim gibt für jeden den passenden Zug wieder, ein Schachmodell tippt für alle drei denselben wahrscheinlichsten Zug, GPT-5.4 verfehlt alle drei.

Ein trainierter Schüler verbessert den Tutor

Als weiteren Machbarkeitsnachweis nutzten die Forscher eine Schüler-Nachbildung, um wiederum einen Schach-Tutor zu verbessern. Professionelle Schachspieler bewerteten drei Varianten: einen Tutor ohne dieses Training, einen gegen GPT-5.4 trainierten und einen gegen StudentSim trainierten.

Der StudentSim-Tutor gewann in allen drei Kriterien. Er machte die wenigsten schwerwiegenden sachlichen Fehler und bekam die höchsten Noten für Erklärqualität und für die Anpassung an den einzelnen Schüler, in diesem Fall einen Schüler, der lieber über Fragen zur Lösung geführt wird als über direkte Ansagen. Die GPT-5.4-Variante lag bei der Fehlerfreiheit sogar hinter dem Tutor ganz ohne Zusatztraining.

Die Forscher betonen, dass dies erst ein Machbarkeitsnachweis sei und nicht der Anspruch, den besten Tutor gebaut zu haben. Schach tauge als Testfeld, weil eine Schach-Engine für jede Stellung objektiv bewerte, ob ein Zug gut ist. In Bereichen wie Aufsatzschreiben oder offener Mathematik werde es schwieriger, weil dafür zuverlässige Bewertungsfunktionen für freie Antworten fehlen. Als Nächstes wollen sie abbilden, wie ein Schüler Wissen über viele Übungsstunden hinweg aufbaut, behält und wieder vergisst. Der Code steht auf GitHub bereit.

Forschende haben schon 2024 rund 1.000 reale Personen mit KI-Agenten nachgebildet, auf Basis zweistündiger Interviews pro Teilnehmer. Wie fehleranfällig solche Nachbildungen bleiben, zeigte eine Untersuchung von neun offenen Sprachmodellen, die Nutzerverhalten auf X, Bluesky und Reddit imitieren sollten und dabei an inhaltlicher Präzision verloren, je menschlicher sie klangen.

Microsoft erprobt KI-Tutoren auch im Feld. In einem Pilotprojekt in Nigeria arbeiteten Schüler sechs Wochen lang zweimal wöchentlich mit Copilot und verbesserten ihre Testergebnisse um fast zwei zusätzliche Lernjahre. OpenAI und Google bieten mit Study Mode und Guided Learning eigene Lernmodi an, die auf Systemanweisungen und pädagogisch feinabgestimmten Modellen beruhen, aber kein Modell des einzelnen Lernenden mitführen. Ohne diese Anpassung kippt der Nutzen leicht, wie Studien zeigen, nach denen Nutzer nach kurzer KI-Assistenz schlechter abschneiden als Personen, die von Anfang an allein arbeiteten.