AI शिक्षक पहले से ही कई एकल पाठ कार्यों को पूरा कर सकते हैं।
एक गणित का प्रश्न, जिसे वह चरणों में विभाजित कर सकता है; एक अंग्रेजी निबंध, जिसमें वह व्याकरणिक त्रुटियाँ बता सकता है; एक शतरंज का खेल, जिसकी अगली चाल की रणनीति वह समझा सकता है। कई परिदृश्यों में, मॉडल का आउटपुट पहले से ही एक धैर्यवान शिक्षक की तरह दिखता है।
लेकिन शिक्षण प्रभाव केवल शिक्षक के पक्ष से ही नहीं देखा जा सकता। छात्रों ने सुनने के बाद क्या गलतियाँ सुधारीं, क्या वे केवल सुझावों का पालन कर रहे हैं, और एक ही व्याख्या विभिन्न छात्रों पर अलग-अलग प्रभाव डालती है या नहीं—ये सब छात्र के पक्ष में होता है।
AI शिक्षक को व्यक्तिगत मार्गदर्शन सीखने के लिए, छात्रों की प्रतिक्रियाओं का बार-बार अवलोकन करना आवश्यक है।
वास्तविक दुनिया में, ये प्रतिक्रियाएँ मुख्य रूप से मानव अध्ययन से आती हैं। प्रत्येक शिक्षण रणनीति में समायोजन के बाद, छात्रों को शामिल करना, अंतर्क्रियाएँ एकत्र करना और मानव आकलन करना आवश्यक होता है।
AI मॉडल तेजी से अपडेट किए जा सकते हैं, लेकिन शिक्षण प्रतिक्रिया प्राप्त करने की गति मानव अध्ययन प्रयोगों के चक्र से सीमित है।
AI ट्यूटर को शिक्षण में सुधार के लिए छात्रों की प्रतिक्रिया की आवश्यकता होती है, लेकिन वास्तविक प्रतिक्रिया एकत्र करने की लागत अधिक होती है। StudentSim वास्तविक छात्र रिकॉर्ड्स को प्रशिक्षण चरण में बार-बार उपयोग किए जा सकने वाले एजेंट प्रतिक्रियाओं में बदलना चाहता है।
हाल के अध्ययन में StudentSim को इस विरोधाभास से शुरू करें।
अनुसंधान टीम एआई शिक्षक को बेहतर बनाना चाहती है, ताकि वह छात्रों की ताकत और कमजोरियों को समझ सके और विभिन्न छात्रों के लिए उपयुक्त मार्गदर्शन प्रदान कर सके। प्रगति के दौरान, टीम ने समस्या को छात्र प्रतिरूप पर केंद्रित किया: क्या सच्चे छात्र डेटा का उपयोग करके एक ऐसा एआई छात्र बनाया जा सकता है जिसे मूल्यांकन किया जा सके और पुनः उपयोग किया जा सके, ताकि एआई शिक्षक प्रशिक्षण चरण में अधिक प्रतिक्रिया प्राप्त कर सके?
पेपर का लिंक: https://arxiv.org/abs/2609.01591
कोड लिंक: https://github.com/microsoft/StudentSim
Huggingface पेपर होमपेज: https://huggingface.co/papers/2609.01591
आज के AI एजेंट अनुसंधान में यह मामला अकेला नहीं है। यूजर सिमुलेटर कई स्थितियों जैसे कस्टमर सर्विस, ई-कॉमर्स, मेडिकल कंसल्टेशन और वेबसाइट ऑपरेशन में एक लोकप्रिय अनुसंधान क्षेत्र बन रहा है। शोधकर्ता सिमुलेटेड यूजर बनाते हैं ताकि एजेंट को लॉन्च से पहले अधिक इंटरैक्शन का अनुभव हो सके, और उसकी रणनीति, बातचीत और स्थिरता का परीक्षण किया जा सके।
शिक्षण परिदृश्य में उपयोगकर्ता अनुकरण अधिक जटिल होता है। छात्रों के पास सापेक्ष रूप से स्थिर ज्ञान सीमाएँ, गलत आदतें और सीखने का पथ होता है। एक ही प्रश्न के लिए, कुछ लोग चिह्न गलत कर देते हैं, कुछ अवधारणा को गलत समझते हैं, कुछ प्रतिक्रिया के बाद स्वयं उत्तर तक पहुँच जाते हैं, और कुछ को अधिक सीधी मार्गदर्शन की आवश्यकता होती है।
हाल ही में चर्चा में आए मानव छात्रों के डिजिटल ट्विन, भी इसी प्रकार की आवश्यकताओं के चारों ओर केंद्रित हैं।
मॉडलिंग स्टूडेंट्स एक नया विषय नहीं है
1995 के बेज़ियन ज्ञान ट्रैकिंग से लेकर डीप ज्ञान ट्रैकिंग और फिर ध्यान आधारित ज्ञान ट्रैकिंग तक, इस दिशा को पहले ही लगभग 30 साल तक अन्वेषित किया जा चुका है, और छात्रों के व्यवहार को मॉडल करने में यह काफी परिपक्व है।
उनकी आम कमी यह है कि मॉडल केवल प्रश्न, स्थिति, क्षमता मूल्य जैसे संरचित इनपुट को ही स्वीकार करते हैं, और प्राकृतिक भाषा निर्देशों को स्वीकार करने का कोई इनपुट नहीं होता। चाहे शिक्षक क्या भी कहें, इस प्रकार के मॉडल किसी छात्र की तरह बातचीत करके प्रदर्शन में परिवर्तन नहीं कर सकते।
अगर आप सीधे बड़े मॉडल को छात्र की भूमिका में डाल दें, तो यह बहुत सुविधाजनक लगता है। इसे एक वाक्य लिखकर "आप एक गणित की निम्न आधार वाले प्राथमिक विद्यार्थी हैं", मॉडल तुरंत एक छोटे बच्चे के शैली में बदल सकता है और संशय और अनिश्चितता को भी प्रदर्शित कर सकता है।
लेकिन, भूमिका का टोन और ज्ञान स्तर समान नहीं हैं।
एक मॉडल छोटे बच्चे की भाषा में "मुझे समझ नहीं आया" कह सकता है, लेकिन अगले वाक्य में कैलकुलस के स्तर की तर्कशक्ति दे सकता है। यह लगता है कि वह छात्र का भूमिका निभा रहा है, लेकिन वास्तविक प्रतिक्रिया अभी भी मॉडल के स्वयं के ज्ञान भंडार पर निर्भर करती है, जो उसके द्वारा सीमित ज्ञान स्तर से काफी ऊपर हो सकता है।
AI शिक्षक के प्रशिक्षण के दौरान, इस ज्ञान स्तर का विचलन समस्याएँ पैदा करता है। ट्यूटर को किसी छात्र की वर्तमान क्षमता की सीमा के अनुसार प्रतिक्रिया नहीं, बल्कि एक उच्च क्षमता वाले मॉडल द्वारा व्यक्तित्व के साथ प्रस्तुत की गई प्रतिक्रिया मिलती है।
इसी कारण से, केवल एक क्षमता वर्णन को शर्त के रूप में रखना, बड़े मॉडल के लिए एक बहुत कमजोर शर्त चैनल है। पिछले दो वर्षों में इस दृष्टिकोण का उपयोग शिक्षा के संदर्भ में बहुत अधिक किया गया है—संवादात्मक मार्गदर्शन के डेटा, बहु-बुद्धिमान कक्षा, और शिक्षार्थी डेटा उत्पादन में; इसके साथ ही, इसकी वैधता की जांच करने वाले कई शोध भी सामने आए हैं, जो संरचना, सत्यता मानक, और शिक्षकों के उपयोग के अनुभव के तीन पहलुओं से सवाल उठाते हैं।
शिक्षण विज्ञान में, एक निर्देश की प्रभावशीलता का मूल्यांकन करते समय, केवल छात्रों के स्वतंत्र रूप से उत्तर देने के प्रदर्शन को नहीं देखा जाता है, बल्कि यह भी देखा जाता है कि सहायता प्राप्त करने के बाद छात्र कितना आगे बढ़ सकते हैं।
वाइगोत्स्की द्वारा प्रस्तावित निकटतम विकास क्षेत्र (zone of proximal development) इसी बात पर चर्चा करता है: छात्र वर्तमान में स्वतंत्र रूप से क्या कर सकता है, और शिक्षक के समर्थन से क्या कर सकता है, इन दोनों के बीच का अंतर शिक्षा के लिए हस्तक्षेप करने का स्थान दर्शाता है।
इस विचार को बाद में गतिशील मूल्यांकन (dynamic assessment) के माध्यम से एक कार्यात्मक मापन प्रक्रिया में बदल दिया गया: केवल छात्र के उत्तर सही या गलत होना ही नहीं, बल्कि सुझाव देने के बाद उसके प्रदर्शन में कैसे परिवर्तन होता है, इसे भी देखा जाता है।
इस विचार को स्टूडेंट सिमुलेटर पर रखें, यह दो प्रकार की क्षमताओं के संगत है।
पहला, सिमुलेटर को छात्र के स्वतंत्र उत्तर देने की स्थिति को पुनर्निर्मित करना चाहिए, जिसमें क्षमता की सीमा, गलत आदतें और सामान्य विकल्प शामिल हों। दूसरा, सिमुलेटर को शिक्षक के मार्गदर्शन को पढ़ने के बाद संबंधित परिवर्तन दिखाना चाहिए, जिससे यह स्पष्ट हो कि सहायता के साथ इस छात्र में क्या अपडेट हो सकता है।
StudentSim
StudentSim ने इन दोनों क्षमताओं को क्रमशः behavioral fidelity और guidance responsiveness के रूप में परिभाषित किया है और इसके आधार पर व्यक्तिगत छात्र सिमुलेटर को प्रशिक्षित और मूल्यांकित किया है।
स्टूडेंट सिमुलेटर को दो प्रश्नों का एक साथ उत्तर देना चाहिए: स्वतंत्र रूप से उत्तर देने पर क्या यह लक्ष्य छात्र की तरह दिखता है, और शिक्षक के मार्गदर्शन के बाद क्या संबंधित परिवर्तन आता है।
प्रशिक्षण प्रक्रिया दो चरणों में विभाजित है।
एक क्षेत्र में कई छात्रों के रिकॉर्ड को एकत्रित करके, सामान्य छात्र व्यवहार मॉडल को प्रशिक्षित करें। इस चरण में सामान्य त्रुटियों, उत्तर प्रारूप और मार्गदर्शन के बाद सुधार के मार्ग का अध्ययन किया जाता है।
दूसरा चरण: एकल छात्र के अपने रिकॉर्ड का उपयोग करके प्रशिक्षण जारी रखें, ताकि व्यक्तिगत सिमुलेटर प्राप्त हो सके। एक छात्र के रिकॉर्ड कम होते हैं, इसलिए सीधे प्रशिक्षण देने से अतिसमायोजन हो सकता है; समूह के नियमों को पहले सीखकर, फिर व्यक्तिगत डेटा के अनुकूलन से प्रत्येक छात्र के लिए अधिक स्थिर सिमुलेटर प्राप्त किया जा सकता है।
ट्रेनिंग प्रक्रिया
अनुसंधान टीम ने स्टूडेंटसिमेवल का भी निर्माण किया। मूल्यांकन 60 वास्तविक छात्रों पर किया गया, जो शतरंज, द्वितीय भाषा अंग्रेजी लेखन और मूलभूत गणित के तीन संदर्भों से संबंधित हैं।
शतरंज में, सिमुलेटर एक खिलाड़ी के चाल का अनुमान लगाता है और प्रशिक्षक के मार्गदर्शन के बाद चाल बदल देता है। द्वितीय भाषा लेखन में, सिमुलेटर एक शिक्षार्थी के त्रुटि पैटर्न के अनुसार रचना उत्पन्न करता है और शिक्षक के सुधार के आधार पर अंशों को पुनः लिखता है। गणित में, सिमुलेटर छात्र के उत्तर का अनुमान लगाता है और समझाने के बाद इसे सुधारता है।
इन कार्यों के बाहरी अंतर बहुत अधिक हैं, लेकिन मूल्यांकन का लक्ष्य समान रहता है: पहले देखें कि सिमुलेटर छात्र के समान दिखता है या नहीं, फिर देखें कि क्या यह निर्देशों का प्रतिक्रिया दे सकता है। सभी विधियाँ एक ही छात्र रिकॉर्ड प्राप्त करती हैं और समान held-out परीक्षण रिकॉर्ड पर तुलना करती हैं।
शतरंज परिणामों में, StudentSim के लिए F 0.5150 और R 0.9067 है; GPT-5.4 के लिए क्रमशः 0.2316 और 0.7186 है; Maia2 के लिए क्रमशः 0.4535 और 0.2721 है। द्वितीय भाषा लेखन और गणित प्रयोगों में, StudentSim दोनों सूचकों पर संबंधित आधार रेखाओं को पार करता है।
शतरंज मूल्यांकन में द्वि-आयामी परिणाम। GPT-5.4 का उत्तर निर्देशन अच्छा है, लेकिन व्यवहार सादृश्यता कम है; Maia2 खिलाड़ियों के चालों के अधिक समीप है, लेकिन प्राकृतिक भाषा निर्देशन प्रवेश बिंदु कम है; StudentSim दोनों सूचकों पर उच्च स्थिति पर है।
इस परिणाम समूह में स्पष्ट भूमिका विभाजन दिखाई देता है। GPT-5.4 निर्देश पढ़ सकता है, लेकिन विशिष्ट छात्रों का अनुकरण करते समय विश्वसनीयता कम है। Maia2 मानव शतरंज खिलाड़ियों के चालों के अधिक समीप है, लेकिन प्राकृतिक भाषा कोचिंग सुझावों को अवशोषित नहीं कर सकता। StudentSim वास्तविक सीखने के रिकॉर्ड्स पर प्रशिक्षित है और प्रत्येक छात्र के लिए अनुकूलित है, जिससे व्यक्तिगत व्यवहार और निर्देश प्रतिक्रिया दोनों में सुधार हुआ है।
हालांकि, छात्र सिमुलेटर खुद एक उद्देश्य नहीं है; अंतिम लक्ष्य यह है कि इसका उपयोग वास्तविक दुनिया में किया जा सके और इसे शिक्षक मॉडल में सुधार के लिए उपयोग किया जा सके।
पहले, AI ट्यूटर के प्रशिक्षण के लिए, पुरस्कार संकेत कुछ कार्यों में विशेषज्ञ द्वारा अंकित उच्च गुणवत्ता वाली ट्यूटरिंग बातचीत से आते थे, और कुछ में सामान्य बड़े मॉडल न्यायाधीश द्वारा उपयोग किए जाने वाले स्कोरिंग स्केल से आते थे। कुछ कार्यों ने पुरस्कार को एक सिमुलेटेड छात्र पर जोड़ने का प्रयास किया, लेकिन उनका उपयोग अपने संज्ञानात्मक स्तर को वास्तविक नहीं बनाए रखने वाले भूमिका-निभाने वाले LLM छात्रों के साथ किया गया, जो वास्तविक शिक्षार्थी डेटा पर प्रशिक्षित सिमुलेटर नहीं थे। StudentSim इस मामले में एक अलग दृष्टिकोण प्रस्तुत करता है।
पेपर आगे बढ़कर StudentSim को AI ट्यूटर के रीइनफोर्समेंट लर्निंग प्रक्रिया में शामिल करता है।
परीक्षण परिदृश्य शतरंज है। प्रणाली पहले वास्तविक छात्रों द्वारा किए गए गलत चालों को निकालती है, AI ट्यूटर निर्देश बनाता है, और StudentSim निर्देश पढ़ने के बाद सुधारित चाल प्रदान करता है।
Stockfish का उपयोग मूल गलत चाल की तुलना में सुधारित चाल की गुणवत्ता में परिवर्तन की गणना करने के लिए किया जाता है, और यह स्कोर RL सिग्नल के रूप में tutor को वापस भेजा जाता है। कंट्रोल ग्रुप में RL विहीन tutor और GPT-5.4 का उपयोग करने वाला tutor शामिल है, जो छात्र सिमुलेटर के लिए पुरस्कार के रूप में कार्य करता है।
ट्यूटर निर्देश उत्पन्न करें, जमा किए गए AI छात्र सिमुलेटर द्वारा सुधारित उत्तर दें, प्रणाली द्वारा सुधार से पहले और बाद की गुणवत्ता में परिवर्तन के आधार पर ट्यूटर को अपडेट किया जाए।
तीन समूह ट्यूटर समान बेस मॉडल, SFT शुरुआत और GRPO सेटिंग्स का उपयोग करते हैं, लेकिन पुरस्कार का स्रोत अलग है।
चेस एवल्यूएटर द्वारा अंधे आकलन के बाद, StudentSim रिवॉर्ड द्वारा प्रशिक्षित ट्यूटर ने सटीकता, मार्गदर्शन की गुणवत्ता और व्यक्तिगतकरण स्कोरिंग में पहला स्थान प्राप्त किया।
विशेषज्ञों ने जानकारी के क्रम को बदलते हुए तीन मापदंडों का अंधा मूल्यांकन किया: सटीकता के लिए "कोई भ्रमित करने वाली तथ्यात्मक त्रुटि नहीं" वाले उत्तरों का प्रतिशत, और मार्गदर्शन गुणवत्ता और व्यक्तिगतीकरण के लिए 1 से 5 तक के स्कोर। StudentSim reward द्वारा प्रशिक्षित ट्यूटर ने तीनों मापदंडों में पहला स्थान प्राप्त किया।
अधिक ध्यान देने योग्य बात यह है कि विपरीत परिणाम वाले प्रयोग: GPT-5.4 को छात्र सिमुलेटर के रूप में प्रशिक्षित करने से बना ट्यूटर, StudentSim से भी कम सटीकता रखता है और RL किए बिना बेसलाइन से भी कम है; इसका कारण स्पष्ट रूप से अधिक गंभीर तथ्यात्मक त्रुटियों की दर है। असत्य सिमुलेटर शिक्षक को गलत दिशा में धकेलता है: एक ऐसा सिमुलेटर जो वास्तविक छात्रों के स्तर से मेल नहीं खाता है, लेकिन समझने की क्षमता अत्यधिक है, किसी भी अत्यधिक असंगठित निर्देश को पढ़कर खुद ही कोई प्रतिक्रिया निकाल लेता है, और फिर गलत निर्देशों को यादृच्छिक पुरस्कार देता है, जिससे RL भ्रम (या यहां तक कि गलत) दिशा में अनुकूलित हो जाता है।
StudentSim ने शिक्षागत अनुसंधान से वास्तविक छात्र प्रयोगों को प्रतिस्थापित नहीं किया है। इसने वास्तविक छात्र रिकॉर्ड को प्रशिक्षण चरण में बार-बार उपयोग किए जा सकने वाले सिमुलेटेड फीडबैक में बदल दिया है, जिससे AI ट्यूटर human study में शामिल होने से पहले अधिक राउंड की छानबीन और अनुकूलन पूरा कर सके।
AI शिक्षक प्रणाली के लिए व्यक्तिगत प्रतिक्रिया की आवश्यकता वाले इस प्रकार के छात्र सिमुलेटर, हाल के लोकप्रिय उपयोगकर्ता सिमुलेटर के विचारधारा को जारी रखते हुए (सभी व्यक्ति को सिमुलेट किया जा सकता है, मानव का डिजिटल ट्विन बनाया जा सकता है), एक विप्लवीय इंजीनियरिंग पथ प्रदान करते हैं:
सीखें कि छात्र कैसे गलतियाँ करते हैं, सीखें कि छात्र निर्देशों के अधीन कैसे बदलते हैं, ताकि शिक्षक मॉडल के लिए मशीन लर्निंग समय स्केल पर प्रबलन शिक्षा के लिए प्रतिक्रिया संकेत प्रदान किया जा सके।
संदर्भ: https://arxiv.org/abs/2609.01591
यह लेख वेचेन ग्रुप "न्यूज़िज़युएन" से आया है, लेखक: न्यूज़िज़युएन; संपादक: LRST