Microsoft und die University of Illinois haben ein System entwickelt, das ein fundamentales Problem der KI-gestützten Bildung löst: Wie trainiert man Tutor-KIs effizient, wenn echte Schüler-Rückmeldungen teuer und langsam sind?
Die Antwort heißt StudentSim – ein Modell, das aus wenigen Daten realistische digitale Nachbildungen einzelner Schüler erzeugt. Diese virtuellen Schüler liefern dann in hohem Tempo Feedback, während echte Lernende weiterhin im Unterricht sitzen.
Kurz & knapp
- StudentSim schlägt das größere Sprachmodell GPT-5.4 in Tests deutlich: Im Schach sagt das System den nächsten Zug eines Spielers rund doppelt so oft korrekt voraus
- Getestet in drei Fächern: Schach, Englisch als Fremdsprache und Mathematik über 60 Schüler
- Ein mit StudentSim trainierter Schach-Tutor erhielt von Experten die besten Noten aller getesteten Systeme
- Das Basis-Sprachmodell: Alibabas Qwen3-4B-Instruct – nicht OpenAI oder Anthropic
Das Problem: Echte Schüler sind ein Engpass
Personalisierte KI-Tutoren funktionieren nur, wenn sie sich an die Stärken und Schwächen einzelner Lernender anpassen. Doch um herauszufinden, welche Erklärung bei welchem Schüler wirkt, braucht es echte Rückmeldungen – und das ist teuer und zeitaufwändig.
"Eine Tutor-KI gegen eine große, vielfältige Schülergruppe zu trainieren, sei unerschwinglich teuer und zeitaufwändig"
schreiben die Forscher in ihrem Paper. Das führt dazu, dass die Verbesserung von Tutor-Systemen dem rasanten Fortschritt der KI-Modelle hinterher hinkt.
Zwei Fähigkeiten, die bisher niemand gemeinsam beherrschte
Bisherige Ansätze scheitern an einer Wahl: Entweder lernen Modelle aus echten Menschendaten und geben zuverlässig wieder, wie sich ein Schüler verhält – können aber mit Tutor-Erklärungen nichts anfangen. Oder sie sind Sprachmodelle, die per Anweisung einen Schüler spielen und Hinweise mühelos befolgen, verfehlen aber das tatsächliche Können des Schülers.
StudentSim kombiniert beide Fähigkeiten: Das System misst zwei konkrete 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.
Der Trick: Zwei Trainingsschritte gegen Datenmangel
Das größte Problem: Echte Daten sind dünn gesät. Im Datensatz zum Englisch-Schreiben schreibt ein Lerner im Median nur drei Aufsätze – mehr als zwei Drittel kommen auf fünf oder weniger.
Deshalb trainiert StudentSim in zwei Stufen:
| Stufe | Aufgabe | Datenquelle |
|---|---|---|
| 1 | Grundmodell aus gebündelten Daten aller Schüler eines Fachs | Alle Schüler zusammen |
| 2 | Anpassung auf eine einzelne Person | Wenige Aufzeichnungen des Schülers |
In Stufe eins lernt das System häufige Fehler und den Weg von einem Tutor-Hinweis zur Korrektur. In Stufe zwei wird dieses Grundmodell mit den wenigen Aufzeichnungen eines einzelnen Schülers personalisiert.
Getestet in Schach, Sprache und Mathematik
Die Forscher prüften ihr System über 60 Schüler in drei völlig unterschiedlichen Bereichen – 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 deutlich besser.
Was das für deutsche Unternehmen bedeutet
Das System zeigt, dass personalisierte KI-Bildung nicht zwingend riesige Datenmengen oder Millionen echte Schüler-Interaktionen braucht. Für EdTech-Startups und Schulträger in Deutschland könnte StudentSim ein Modell sein: Statt endlos auf echte Trainingsdaten zu warten, lassen sich Tutor-KIs mit synthetischen Schülern schneller und günstiger verbessern. Die Frage ist nur, wann und wie offen Microsoft diese Technologie verfügbar macht.
Quellen
Redaktionell verantwortet von Ideal Syka. Quellen und Arbeitsweise: Redaktion & Methode. Hinweise und Korrekturen: ai@i6eal.de.
