AI öğretmenler artık birçok tek seferlik öğretim görevini tamamlayabiliyor.
Bir matematik sorusu; adımlara ayrılabilir, bir İngilizce yazı; dilbilgisi hataları belirtilebilir, bir satranç oyunu; bir sonraki hamle fikri verilebilir. Birçok senaryoda, model çıktısı zaten sabırlı bir yardımcı gibi görünmektedir.
Ancak eğitim etkisi yalnızca öğretmen tarafına bakılarak değerlendirilemez. Öğrenciler dinledikten sonra hatalarını düzeltti mi, sadece ipuçlarına mı uydu, aynı açıklama farklı öğrencilerde farklı etkiler yarattı mı—bunların tümü öğrenci tarafında gerçekleşir.
Bir AI öğretmen, bireysel rehberlik öğrenmek için öğrenci tepkilerini tekrar tekrar gözlemlemelidir.
Gerçek hayatta, bu tepkiler çoğunlukla insan çalışmaları tarafından elde edilir. Her öğretim stratejisi ayarlamasında, öğrencilerin katılımı sağlanmalı, etkileşimler toplanmalı ve ardından insanlar tarafından değerlendirilmelidir.
Yapay zeka modelleri hızlı bir şekilde güncellenebilir, ancak eğitim geri bildirimi alımı insan çalışmaları deney döngüsüyle sınırlıdır.
AI öğretmen, öğretimi geliştirmek için öğrenci geri bildirimlerine ihtiyaç duyar, ancak gerçek geri bildirimlerin toplanması maliyetlidir. StudentSim, gerçek öğrenci kayıtlarını tekrar kullanılabilir bir proxy geri bildirimi haline getirmeyi amaçlar.
Son zamanlarda StudentSim üzerine araştırma yapın, bu çelişkiden yola çıkarak.
Araştırma ekibi, AI öğretmenin öğrencilerin güçlü ve zayıf yönlerini anlayabilmesini ve her öğrenciye uygun rehberlik sağlayabilmesini geliştirmeyi hedefliyor. Süreç boyunca, ekip sorunu öğrenci simülatörüne indirgedi: Gerçek öğrenci verileriyle değerlendirilebilir ve tekrar kullanılabilir bir AI öğrenci mi oluşturulabilir, böylece AI öğretmen eğitim aşamasında daha fazla geri bildirim alabilir?
Makale bağlantısı: https://arxiv.org/abs/2609.01591
Kod bağlantısı: https://github.com/microsoft/StudentSim
Huggingface Kağıt Ana Sayfası: https://huggingface.co/papers/2609.01591
Bu olay, bugünün AI agente araştırmalarında izole değildir. Kullanıcı simülatörü, müşteri hizmetleri, e-ticaret, tıbbi danışmanlık ve web işlemleri gibi senaryolarda popüler bir araştırma yönü haline gelmektedir. Araştırmacılar, agente'nin piyasaya sürülmeden önce daha fazla etkileşim yaşaması, stratejilerini, iletişim tekniklerini ve dayanıklılığını test etmesi için simüle kullanıcılar oluşturur.
Eğitim senaryolarında kullanıcı simülasyonu daha karmaşıktır. Öğrencilerin göreli olarak sabit bilgi sınırları, hata alışkanlıkları ve öğrenme yolları vardır. Aynı soru üzerinde bazıları işaretleri yanlış hesaplar, bazıları kavramları yanlış anlar, bazıları ipucu aldıktan sonra kendileri sonuca ulaşır, bazıları ise daha doğrudan rehberliğe ihtiyaç duyar.
Son zamanlarda tartışılan insan öğrenci dijital ikilisi, tam olarak bu ihtiyaçlar etrafında şekillenmiştir.
Modelleme öğrencisi yeni bir konu değil
1995'teki Bayes bilgi takibi ile başlayarak derin bilgi takibi ve dikkat bilgi takibine kadar bu yön, öğrenci davranışlarını uygun hale getirmede oldukça olgunlaşmış yaklaşık 30 yıllık bir araştırmaya sahiptir.
Ortak eksiklikleri, modelin yalnızca soru, durum, yetenek değerleri gibi yapılandırılmış girdileri kabul etmesi ve doğal dil yönergelerini alacak bir giriş noktası bulunmamasıdır. Öğretmen ne derse desin, bu tür modeller öğrenci gibi etkileşimli davranış değişiklikleri gösteremez.
Doğrudan büyük modeli bir öğrenci olarak oynamak kolay görünüyor. Ona “Matematik temelleri zayıf bir ilkokul öğrencisisin” diyorsanız, model hemen küçük bir öğrencinin üslubuna geçebiliyor ve tereddüt ve belirsizliği gösteriyor.
Ancak karakterin tonu ve bilgi düzeyi aynı hizada değil.
Bir model, bir ilkokul öğrencisi gibi "Anlamadım" diye cevap verebilir, ancak bir sonraki cümlede diferansiyel hesap düzeyinde bir çıkarım yapar. Görünüşte bir öğrenci rolü oynuyor, ancak gerçekte hala modelin kendi bilgi birikimi tarafından etkilenir ve sahip olması için sınırlı tutulduğu bilgi düzeyinin çok üzerinde olabilir.
AI öğretmen eğitimi sırasında bu bilişsel düzey sapması sorunlara neden olur. Tutor, bir öğrencinin mevcut yetenek sınırındaki tepkisini değil, bir yüksek yetenekli modelin karakter tasarımıyla kaplanmış tepkisini alır.
Tam olarak bu nedenle, yalnızca bir yetenek tanımıyla koşul belirlemek, büyük modeller için oldukça zayıf bir koşul kanalıdır. Bu yaklaşım, son iki yıl içinde eğitim senaryolarında yaygın olarak kullanılmıştır; diyalog rehberlik verileri, çok ajanlı sınıflar ve öğrenici veri üretimi bunlara örnek verilebilir. Aynı zamanda, bu yöntemin geçerliliğini test eden bir dizi özel araştırma da ortaya çıkmıştır ve bu araştırmalar, mimari, sadakat bazları ve öğretmen deneyimi açısından eleştiriler sunmaktadır.
Eğitim biliminde, bir rehberliğin etkinliği değerlendirilirken, öğrencinin bağımsız olarak cevap verme performansına bakmak yeterli değildir; öğrencinin yardım aldıktan sonra ne kadar ilerleyebildiğine de bakılmalıdır.
Vygotsky'nin en yakın gelişim bölgesi (zone of proximal development) kavramı, öğrencinin bağımsız olarak ne yapabildiği ile öğretmen desteğiyle ne yapabildiği arasındaki farkın, eğitimin müdahale edebileceği alanı yansıttığını tartışır.
Daha sonra bu fikir, dinamik değerlendirme ile işlemelenebilir bir ölçüm prosedürüne dönüştürüldü: öğrencilerin doğru mu yanlış mı cevap verdiklerini kaydetmekle kalmayıp, ipucu verildikten sonra performanslarının nasıl değiştiğini gözlemlemek.
Öğrenci simülatörüne yerleştirildiğinde, bu fikir iki tür yeteneği temsil eder.
Birincisi, simülatörün öğrenciye özgü cevap verme durumunu, yetenek sınırlarını, hata alışkanlıklarını ve yaygın seçimleri yansıtmalıdır. İkincisi, simülatörün öğretmenin rehberliğini okuduktan sonra ilgili değişiklikler göstermesi ve öğrencinin destek alarak nasıl güncellenebileceğini ortaya koyması gerekir.
StudentSim
StudentSim, bu iki yeteneği sırasıyla behavioral fidelity ve guidance responsiveness olarak tanımlar ve bunlara göre kişiselleştirilmiş öğrenci simülatörlerini eğitir ve değerlendirir.
Öğrenci simülatörü, bağımsız cevap verirken hedef öğrenci gibi davranıp davranmadığını ve öğretmen rehberliği aldıktan sonra ilgili değişiklikler gösterip göstermediğini aynı anda yanıtlamalıdır.
Eğitim süreci iki adımdan oluşur.
Bir alan içindeki birçok öğrencinin kayıtlarını birleştirerek genel öğrenci davranış modelini eğitin. Bu aşamada ortak hataları, cevap biçimlerini ve rehberlik sonrası düzeltme yollarını öğrenin.
İkinci adımda, tek bir öğrencinin kendi verilerini kullanarak eğitimi sürdürerek kişiselleştirilmiş bir simülatör elde edin. Tek bir öğrencinin verisi az olduğundan, doğrudan eğitim aşırı uyuma yol açabilir; önce toplu düzenleri öğrenip ardından bireysel verilere uyarlamak, her öğrencinin karşılık gelen simülatörünü daha kararlı bir şekilde elde etmenizi sağlar.
Eğitim süreci
Araştırma ekibi StudentSimEval’i aynı zamanda oluşturdu. Değerlendirme, satranç, ikinci dil İngilizce yazma ve temel matematik olmak üzere üç senaryodan 60 gerçek öğrenciyi kapsıyor.
Satrançta, simülatör bir oyuncunun oyun sırasında yapacağı hamleyi tahmin eder ve eğitmenin rehberliğiyle hamleyi değiştirir. İkinci dil yazımında, simülatör öğrenicinin hata kalıplarına uygun bir yazı üretir ve öğretmenin düzeltmelerine göre paragrafları yeniden yazar. Matematikte, simülatör öğrencinin cevabını tahmin eder ve açıklama sonrası düzeltir.
Bu görevler görünüşte büyük farklılıklar gösteriyor, ancak değerlendirme hedefi aynı kalıyor: önce simülatörün öğrenciye benzer olup olmadığına bakılır, ardından rehberliğe nasıl yanıt verdiğine bakılır. Tüm yöntemler aynı öğrenci kaydını alır ve aynı held-out test kayıtlarında karşılaştırılır.
Satranç sonuçlarında, StudentSim'in F değeri 0,5150, R değeri 0,9067; GPT-5.4 için sırasıyla 0,2316 ve 0,7186; Maia2 için sırasıyla 0,4535 ve 0,2721. İkinci dil yazımı ve matematik deneylerinde de StudentSim, her iki metrikte ilgili temel değerleri aştı.
Şah mat değerlendirmesindeki iki boyutlu sonuçlar. GPT-5.4, yönlendirmeleri daha iyi veriyor ancak davranış sadakati düşük; Maia2, şahmatçıların hamlelerine daha yakın ancak doğal dil yönlendirmesi girişi yok; StudentSim, her iki ölçütte de yüksek seviyede yer alıyor.
Bu sonuçlar net bir iş bölümü ortaya koyuyor. GPT-5.4, yönergeleri okuyabiliyor ancak belirli öğrencileri simüle ederken sadakat eksikliği yaşıyor. Maia2, insan satranç oyuncularının hamlelerine daha yakın ancak doğal dildeki antrenör ipuçlarını içselleştiremiyor. StudentSim, gerçek öğrenme kayıtlarıyla eğitilmiş ve her öğrenciye özel uyum sağlayarak hem bireysel davranışlarda hem de yönlendirme tepkilerinde iyileşme gösteriyor.
Ancak öğrenci simülatörü kendisi bir amaç değil, amacı gerçek dünyaya uygulanabilir hale gelmesi ve öğretmen modellerini iyileştirmek için kullanılabilmesidir.
Daha önce AI tutor eğitimi için ödül sinyalleri, bazı çalışmalarda uzmanların etiketlediği kaliteli rehberlik diyaloglarından, diğerlerinde ise genel büyük modellerin puanlama ölçeklerinden gelmişti. Bazı çalışmalar, ödül sinyallerini simüle edilmiş öğrenciye bağlamayı denemiş olsa da, kullanılanlar gerçek öğrenici verileri üzerinde eğitilmiş bir simülatör değil, bilişsel düzeyi gerçekçi olmayan rol yapma tabanlı LLM öğrencileriydi. StudentSim, bu konuda farklı bir yaklaşım sunmaktadır.
Makale, StudentSim'i AI öğretmenin pekiştirmeli öğrenme sürecine daha da entegre eder.
Deneysel senaryo satrançtır. Sistem, gerçek öğrencilerin yaptığı hatalı hamleleri çıkarır, AI hocası rehberlik oluşturur, StudentSim rehberliği okuduktan sonra düzeltilmiş hamleyi verir.
Stockfish, hesaplanan düzeltme hamlesinin orijinal hatalı hamleye göre kalite değişimi için kullanılır ve bu puan, RL sinyali olarak tutor'a geri gönderilir. Kontrol grubu, RL'siz tutor ve GPT-5.4'ü öğrenci simülatörü ödülü olarak kullanan tutor'u içerir.
Tutor üretimi, dondurulmuş AI öğrenci simülatörü tarafından düzeltilmiş cevaplar verilir, sistem düzeltilmeden önceki ve sonraki kalite değişikliklerine göre tutor'u günceller.
Üç grup eğitimci, aynı temel modeli, SFT başlangıcını ve GRPO ayarlarını kullanır, ancak ödül kaynakları farklıdır.
Şahmat değerlendirmecilerinin gözlemsiz değerlendirme sonrası, StudentSim ödüllü eğitici, doğruluk, rehberlik kalitesi ve kişiselleştirme puanlamasında birinci oldu.
Uzmanlar, sıralama karıştırılmış bir şekilde üç boyutu gizli olarak değerlendirdi: doğruluk için «yanlış bilgi içermeyen» cevapların oranı, rehberlik kalitesi ve kişiselleştirme her biri 1 ila 5 puan arasında. StudentSim ödüllü eğitimiyle geliştirilen tutor, üç boyutta da birinci oldu.
Daha da önemlisi, ters sonuç veren deney grubu: GPT-5.4’ü öğrenci simülatörü olarak kullanarak eğitilen tutor, StudentSim’den daha düşük doğruluk gösterdi ve RL yapmadan önceki temel modelden bile daha düşük performans sergiledi; bunun nedeni açıkça daha yüksek oranda ciddi gerçek hatalarıydı. Simülatör gerçekçi değilse, eğitimi yanlış yöne itebilir: Gerçek öğrencilerin bilişsel düzeyine uymayan ancak anlama kapasitesi çok yüksek bir simülatör, en saçma talimatları okuduktan sonra kendi başına bir cevap üretebilir ve böylece yanlış talimatlara rastgele ödüller verir; bu da RL’yi kaosa (hatta yanlışlığa) doğru optimize eder.
StudentSim, gerçek öğrenci deneyimlerini eğitim araştırmalarından yerine geçirmiyor. Gerçek öğrenci kayıtlarını, AI öğretmeninin insan araştırmasına girmeden önce daha fazla turda filtreleme ve optimizasyon yapmasını sağlayan tekrarlanabilir simülasyon geri bildirimlerine dönüştürüyor.
Kişiselleştirilmiş geri bildirim gerektiren AI öğretmen sistemleri için, bu tür öğrenci simülatörleri, son zamanlarda popüler olan kullanıcı simülatörlerinin fikir akışını (herkes simüle edilebilir, insanların dijital ikizlerini inşa etmek) devam ettirerek köklü bir mühendislik yolu sunar:
Öğrencinin hatalarını öğrenin, öğrencinin rehberlik altında nasıl değiştiğini öğrenin, öğretmen modelinin pekiştirmeli öğrenmesi için makine öğrenmesi ölçeğinde geri bildirim sinyalleri sağlayın.
Kaynaklar: https://arxiv.org/abs/2609.01591
Bu yazı WeChat hesabından "Yeni Akıllı Dünya" tarafından paylaşılmıştır, yazar: Yeni Akıllı Dünya; editör: LRST