赛事详情

人工智能教师目前已能胜任多种单一教学任务。

面对一道数学题，它能逐步拆解；批改英语作文时，可以指出语法细节；下棋过程中，也能分析后续策略。在不少场景中，模型的表现已接近一位耐心的辅导老师。

然而，教学成效不能仅从教师端评判。学生听完后是否真正纠正了错误，是否只是机械地跟随提示，同一段讲解对不同学生产生的效果是否各异——这些反馈都源自学生端。

若要使AI教师掌握个性化指导能力，它同样需要反复观察学生的反应。

现实中，这些反应主要依赖人类研究。每调整一次教学策略，就需组织学生参与、收集互动数据，再由人工进行评估。

AI模型可以迅速迭代，但教育反馈的获取速度受限于人类研究的实验周期。

AI辅导者需要学生反馈来优化教学，但真实反馈的采集成本高昂。StudentSim的目标是将真实学生的记录转化为训练阶段可反复使用的代理反馈。

近期发表的StudentSim研究，正是从这一矛盾出发。

研究团队旨在提升AI教师，使其能理解学生的优势与不足，并针对不同个体提供合适的指导。推进过程中，团队将核心问题聚焦于学生模拟器：能否利用真实学生数据，训练出可评估、可复用的AI学生，让AI教师在训练阶段获得更丰富的反馈。

论文链接：https://arxiv.org/abs/2609.01591

代码链接：https://github.com/microsoft/StudentSim

Huggingface Paper主页：https://huggingface.co/papers/2609.01591

在当前的AI智能体研究中，这一方向并不孤立。用户模拟器正成为热门研究领域，广泛应用于客服、电商、医疗问诊、网页操作等场景。研究者通过构建模拟用户，让智能体在正式上线前经历更多互动，以测试策略、话术和系统的鲁棒性。

教育场景下的用户模拟更为复杂。学生拥有相对稳定的知识边界、错误习惯和学习轨迹。面对同一道题，有人会算错符号，有人会误解概念，有人听完提示后能自行推导答案，有人则需要更直接的指导。

近期被广泛讨论的人类学生数字孪生，正是围绕此类需求展开。

建模学生并非新课题

从1995年的贝叶斯知识追踪，到深度知识追踪，再到注意力知识追踪，这一方向已被探索近30年，在拟合学生行为方面已相当成熟。

它们的共同缺陷在于，模型仅接受题目、状态、能力值等结构化输入，缺乏接收自然语言指导的接口。无论教师说了什么，这类模型都无法像学生一样做出相应的行为改变。

如果直接让大模型扮演学生，看似便捷。只需输入一句“你是一个数学基础薄弱的小学生”，模型就能立刻切换为低龄学生的口吻，并表现出犹豫和不确定。

然而，角色语气与认知水平并不同步。

一个模型可以用小学生口吻回答“我不太懂”，下一句却给出微积分级别的推理。它看似在扮演学生，但实际反馈仍受模型自身知识储备影响，可能远高于其被限定的知识水平。

用于AI教师训练时，这种认知水平的偏差会引发问题。辅导者获得的并非某个学生在当前能力边界下的反应，而是一个高能力模型经过人设包装后的反馈。

正因如此，仅凭一段能力描述作为条件，对大模型而言是一条脆弱的条件通道。这条路线近两年被大量应用于教育场景，如对话辅导语料、多智能体课堂、学习者数据生成等。与此同时，一批专门检验其效度的研究也在出现，从架构、保真度基准、教师使用体验三个角度提出质疑。

在教育学中，评价一次指导是否有效，通常不能仅看学生独立作答的表现，还要看学生在接受帮助后能进步多少。

维果茨基提出的最近发展区讨论的正是这一点：学生当前能独立完成什么，与在教师支持下能完成什么，两者之间的差距反映了教学可介入的空间。

这一理念后来被动态评估转化为可操作的测量程序：不仅记录学生答对与否，还要在给出提示后观察其表现如何变化。

应用到学生模拟器上，这一思想对应两种能力。

第一，模拟器要能复现学生独立作答时的状态，包括能力边界、错误习惯和常见选择。第二，模拟器要能在接收到教师指导后产生相应变化，表现出该学生在帮助下可能出现的进步。

StudentSim

StudentSim将这两种能力分别定义为行为保真度和指导响应性，并据此训练和评估个性化学生模拟器。

学生模拟器需要同时回答两个问题：独立作答时是否像目标学生，接受教师指导后是否产生相应变化。

训练流程分为两步。

第一步，汇总一个领域内多名学生的记录，训练通用学生行为模型。这一阶段学习共性错误、回答格式、以及接受指导后的修正路径。

第二步，使用单个学生自己的记录继续训练，得到个性化模拟器。单个学生的记录较少，直接训练容易过拟合；先学习群体规律，再适配个人数据，可以更稳定地获得每位学生对应的模拟器。

训练流程

研究团队同时构建了StudentSimEval。评估覆盖60位真实学生，来自国际象棋、第二语言英语写作和基础数学三个场景。

在国际象棋中，模拟器要预测某位玩家在棋局中的走法，并在教练指导后调整走位。在第二语言写作中，模拟器要生成符合学习者错误模式的作文，并根据教师批改改写片段。在数学中，模拟器要预测学生答案，并在讲解后修正。

这些任务表面差异很大，但评估目标保持一致：**先看模拟器是否像学生本人，再看它能否响应指导。**所有方法使用同一份学生记录，在相同的保留测试记录上进行比较。

国际象棋结果中，StudentSim的F值为0.5150，R值为0.9067；GPT-5.4分别为0.2316和0.7186；Maia2分别为0.4535和0.2721。在第二语言写作和数学实验中，StudentSim在两个指标上也均超过对应基线。

国际象棋评测中的二维结果。GPT-5.4响应指导较好，但行为保真度较低；Maia2更贴近棋手走法，但缺少自然语言指导接口；StudentSim位于两项指标同时较高的位置。

这组结果呈现出清晰的分工。GPT-5.4能阅读指导，但在模拟具体学生时保真度不足。Maia2更贴近人类棋手走法，但无法吸收自然语言教练提示。StudentSim通过真实学习记录训练，并对每位学生进行适配，在个体行为和指导响应两方面同时获得提升。

不过，学生模拟器本身并非终点，其最终用途需要能落地到现实世界，并能用于改进教师模型。

以往训练AI辅导者时，奖励信号在一些工作中来自专家标注的优质辅导对话，另一些则来自使用评分量表的通用大模型裁判。也有工作尝试将奖励连接到模拟学生上，但采用的都是认知水平不保真的角色扮演式大语言模型学生，而非在真实学习者数据上训练过的模拟器。StudentSim在这一点上提出了不同的做法。

论文进一步将StudentSim纳入AI辅导者的强化学习流程。

实验场景为国际象棋。系统先取出真实学生犯过的错误走法，AI辅导者生成指导，StudentSim读取指导后给出修正走法。

Stockfish用于计算修正走法相对于原错误走法的质量变化，这个分数回传给辅导者作为强化学习信号。对照组包括未经强化学习的辅导者，以及使用GPT-5.4作为学生模拟器奖励的辅导者。

辅导者生成指导，冻结的AI学生模拟器给出修正答案，系统根据修正前后的质量变化更新辅导者。

三组辅导者使用相同的基础模型、监督微调起点和GRPO设置，但奖励来源不同。

国际象棋评估者进行盲评后，由StudentSim奖励训练出的辅导者在准确性、指导质量和个性化评分上均排名第一。

专家在打乱呈现顺序的条件下盲评三个维度：准确性看“没有误导性事实错误”的回答占比，指导质量和个性化各为1到5分。由StudentSim奖励训练出的辅导者在三个维度上均排名第一。

更值得注意的是结果相反的一组实验：用GPT-5.4当学生模拟器训练出的辅导者，准确性不仅低于StudentSim，还低于完全没有进行强化学习的基线，拖后腿的是明显更高的严重事实错误率。模拟器不保真，会把辅导者往错误的方向推：一个认知水平不符合真实学生、但理解能力超强的模拟器，读完再离谱的指导也能自行推导出某种答案，于是给错误指导发放了随机奖励，强化学习便朝着混乱甚至错误的方向优化。

StudentSim并未取代教育研究中的真实学生实验。它把真实学生记录转化为训练阶段可反复调用的模拟反馈，使AI辅导者在进入人类研究前完成更多轮的筛选和优化。

对于需要个性化反馈的AI教师系统，这类学生模拟器延续了近期热门的用户模拟器的思想脉络（一切人都可模拟，构建人类的数字孪生），提供了一条颠覆性的工程路径：

学习学生如何出错，学习学生如何在指导下改变，为教师模型的强化学习提供机器学习时间尺度的反馈信号。

参考资料：https://arxiv.org/abs/2609.01591

本文来自微信公众号“新智元”，作者：新智元；编辑：LRST，36氪经授权发布。