[{"data":1,"prerenderedAt":28},["ShallowReactive",2],{"nr-de-microsoft-studentsim-ki-tutoren-training":3},{"slug":4,"title":5,"dek":6,"date":7,"time":8,"publishedAt":9,"updated":10,"updatedAt":10,"dateFmt":11,"updatedFmt":10,"kind":12,"tier":13,"author":14,"authorName":15,"topics":16,"tracker":10,"trackerLabel":10,"headlineStat":22,"image":23,"ogImage":24,"imageAlt":5,"csv":10,"minutes":25,"words":26,"html":27},"microsoft-studentsim-ki-tutoren-training","Microsoft trainiert KI-Schüler, um KI-Tutoren besser zu machen","Ein neues System namens StudentSim erzeugt aus wenigen Daten digitale Nachbildungen einzelner Schüler. Diese liefern KI-Tutoren im Maschinentempo Feedback – schneller und günstiger als echte Lernende.","2026-09-20","19:14","2026-09-20T19:14:00+02:00","","20. September 2026","news","standard","ideal-syka","Ideal Syka",[17,18,19,20,21],"Bildung & KI","KI-Training","Personalisierung","Sprachmodelle","EdTech","StudentSim sagt Schach-Züge doppelt so oft korrekt voraus wie GPT-5.4","\u002Fnewsroom\u002Fimg\u002Fmicrosoft-studentsim-ki-tutoren-training.webp","\u002Fog-nr\u002Fmicrosoft-studentsim-ki-tutoren-training.de.png",3,566,"\u003Cp>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?\u003C\u002Fp>\n\u003Cp>Die Antwort heißt \u003Cstrong>StudentSim\u003C\u002Fstrong> – 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.\u003C\u002Fp>\n\u003Ch2>Kurz & knapp\u003C\u002Fh2>\n\u003Cul>\n\u003Cli>\u003Cstrong>StudentSim\u003C\u002Fstrong> schlägt das größere Sprachmodell \u003Cstrong>GPT-5.4\u003C\u002Fstrong> in Tests deutlich: Im Schach sagt das System den nächsten Zug eines Spielers rund \u003Cstrong>doppelt so oft korrekt\u003C\u002Fstrong> voraus\u003C\u002Fli>\n\u003Cli>Getestet in \u003Cstrong>drei Fächern\u003C\u002Fstrong>: Schach, Englisch als Fremdsprache und Mathematik über \u003Cstrong>60 Schüler\u003C\u002Fstrong>\u003C\u002Fli>\n\u003Cli>Ein mit StudentSim trainierter Schach-Tutor erhielt von Experten die \u003Cstrong>besten Noten\u003C\u002Fstrong> aller getesteten Systeme\u003C\u002Fli>\n\u003Cli>Das Basis-Sprachmodell: \u003Cstrong>Alibabas Qwen3-4B-Instruct\u003C\u002Fstrong> – nicht OpenAI oder Anthropic\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Ch2>Das Problem: Echte Schüler sind ein Engpass\u003C\u002Fh2>\n\u003Cp>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.\u003C\u002Fp>\n\u003Cblockquote>\n\u003Cp>"Eine Tutor-KI gegen eine große, vielfältige Schülergruppe zu trainieren, sei unerschwinglich teuer und zeitaufwändig"\u003C\u002Fp>\n\u003C\u002Fblockquote>\n\u003Cp>schreiben die Forscher in ihrem Paper. Das führt dazu, dass die Verbesserung von Tutor-Systemen dem rasanten Fortschritt der KI-Modelle hinterher hinkt.\u003C\u002Fp>\n\u003Ch2>Zwei Fähigkeiten, die bisher niemand gemeinsam beherrschte\u003C\u002Fh2>\n\u003Cp>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.\u003C\u002Fp>\n\u003Cp>\u003Cstrong>StudentSim kombiniert beide Fähigkeiten\u003C\u002Fstrong>: 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.\u003C\u002Fp>\n\u003Ch2>Der Trick: Zwei Trainingsschritte gegen Datenmangel\u003C\u002Fh2>\n\u003Cp>Das größte Problem: Echte Daten sind dünn gesät. Im Datensatz zum Englisch-Schreiben schreibt ein Lerner im Median nur \u003Cstrong>drei Aufsätze\u003C\u002Fstrong> – mehr als zwei Drittel kommen auf fünf oder weniger.\u003C\u002Fp>\n\u003Cp>Deshalb trainiert StudentSim in zwei Stufen:\u003C\u002Fp>\n\u003Cdiv class=\"tbl-scroll\">\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>Stufe\u003C\u002Fth>\n\u003Cth>Aufgabe\u003C\u002Fth>\n\u003Cth>Datenquelle\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\u003Ctr>\n\u003Ctd>1\u003C\u002Ftd>\n\u003Ctd>Grundmodell aus gebündelten Daten aller Schüler eines Fachs\u003C\u002Ftd>\n\u003Ctd>Alle Schüler zusammen\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>2\u003C\u002Ftd>\n\u003Ctd>Anpassung auf eine einzelne Person\u003C\u002Ftd>\n\u003Ctd>Wenige Aufzeichnungen des Schülers\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Cp>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.\u003C\u002Fp>\n\u003Ch2>Getestet in Schach, Sprache und Mathematik\u003C\u002Fh2>\n\u003Cp>Die Forscher prüften ihr System über 60 Schüler in drei völlig unterschiedlichen Bereichen – mit Daten aus öffentlichen Sammlungen echter Lernender.\u003C\u002Fp>\n\u003Cp>In \u003Cstrong>allen drei Bereichen\u003C\u002Fstrong> 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.\u003C\u002Fp>\n\u003Ch2>Was das für deutsche Unternehmen bedeutet\u003C\u002Fh2>\n\u003Cp>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.\u003C\u002Fp>\n\u003Ch2>Quellen\u003C\u002Fh2>\n\u003Cul>\n\u003Cli>\u003Ca href=\"https:\u002F\u002Fthe-decoder.de\u002Fmicrosoft-trainiert-ki-schueler-um-ki-tutoren-besser-zu-machen\u002F\">The Decoder (DE)\u003C\u002Fa>\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003Cem>Redaktionell verantwortet von \u003Ca href=\"\u002Fautor\u002Fideal-syka\">Ideal Syka\u003C\u002Fa>. Quellen und Arbeitsweise: \u003Ca href=\"\u002Fredaktion\">Redaktion & Methode\u003C\u002Fa>. Hinweise und Korrekturen: \u003Ca href=\"mailto:ai@i6eal.de\">ai@i6eal.de\u003C\u002Fa>.\u003C\u002Fem>\u003C\u002Fp>\n",1789930575659]