AI शिक्षक एखादी पटणारी सूचना देऊ शकतो, पण विद्यार्थी तिचा उपयोग करेल का हे त्याला माहीत असेलच असे नाही. StudentSim ही 1 सप्टेंबरच्या प्रीप्रिंटमध्ये आणि 12 ऑक्टोबरच्या Microsoft Research च्या लेखात वर्णन केलेली संशोधन चौकट आहे. शिक्षक-प्रणाली विकसित करणाऱ्यांना लवकर अभिप्राय मिळावा, हा तिचा प्रयत्न आहे. ती वैयक्तिक विद्यार्थ्यांचे प्रतिनिधित्व करण्यासाठी मॉडेलना प्रशिक्षण देते आणि नंतर त्यांची सुरुवातीची उत्तरे व मार्गदर्शनावरील प्रतिसाद तपासते.

AI शिक्षकांचे मूल्यमापन करणाऱ्या संशोधकांसाठी हा फरक महत्त्वाचा आहे. नवशिक्यासारखे बोलणारे मॉडेल त्या नवशिक्याला न सुटणारे प्रश्नही सोडवू शकते. दुसरे मॉडेल विद्यार्थ्याच्या चुका भाकीत करू शकते, पण लिखित सूचना समजून घेण्याची सोय त्याच्याकडे नसेल. StudentSim ची मानक चाचणी या क्षमता स्वतंत्रपणे मोजते. तिचे निष्कर्ष शिक्षक-प्रणालींवरील पुढील संशोधनाला आधार देतात; खऱ्या विद्यार्थ्यांवरील परिणाम मात्र मोजलेला नाही.

मोठा बदल

  • काय बदलले: पथकाने दोन टप्प्यांची प्रशिक्षण पद्धत आणि StudentSimEval प्रसिद्ध केले. या मानक चाचणीत बुद्धिबळ, दुसरी भाषा म्हणून इंग्रजी लेखन आणि गणित या क्षेत्रांतील 60 विद्यार्थ्यांचा समावेश आहे. सिम्युलेटरचे वर्तन नोंदवलेल्या वर्तनाशी किती जुळते आणि मार्गदर्शनानंतर तो दुरुस्त उत्तरापर्यंत पोहोचतो का, हे चाचणी तपासते.
  • हे महत्त्वाचे का: शिक्षक-प्रणाली विकसित करताना वापरल्या जाणाऱ्या प्रतिनिधी मॉडेलसाठी या उपयुक्त तपासण्या आहेत. मार्गदर्शनाचा गुण त्या विशिष्ट विद्यार्थ्याने प्रत्यक्ष केलेल्या दुरुस्तीच्या नोंदीऐवजी प्रमाणित दुरुस्त उत्तर वापरतो. त्यामुळे जास्त गुण मिळाले तरी विद्यार्थी सूचनेतून कसा शिकेल हे सिद्ध होत नाही.
  • पुढे काय पाहावे: हे संशोधन विद्यार्थ्यांसाठी प्रत्यक्ष वापरण्याला आधार देण्याआधी स्वतंत्र पुनरुत्पादन आणि खऱ्या विद्यार्थ्यांवरील अभ्यासांनी दीर्घकालीन शिक्षण, सुरक्षितता व वर्गातील उपयुक्तता तपासावी लागेल.

हे दोन गुण काय मोजतात

StudentSimEval मूल्यमापनासाठी 30 बुद्धिबळपटू, 15 इंग्रजी शिकणारे आणि 15 गणिताचे विद्यार्थी यांच्या नोंदी बाजूला राखून ठेवते. शोधनिबंधातील औपचारिक व्याख्येनुसार, वर्तनाशी जुळण्याची अचूकता म्हणजे सिम्युलेटरचा प्रतिसाद त्या विशिष्ट विद्यार्थ्याच्या नोंदवलेल्या प्रतिसादासारखा आहे का हे तपासणे. बुद्धिबळात अंदाज वर्तवलेली चाल खेळाडूने खेळलेलीच आहे का ते पाहते. चार पर्यायांच्या गणिती प्रश्नांत चुकीच्या पर्यायांसह निवडलेला पर्याय तपासते. इंग्रजी लेखनात तयार केलेल्या निबंधांतील चुकांचे प्रमाण व प्रकार यांची विद्यार्थ्याच्या चुकांच्या नमुन्याशी तुलना करते. त्यामुळे एकाच गुणाचे नाव वेगवेगळ्या कामांसाठी वापरले आहे; तो सर्व विषयांत एकमेकांच्या जागी वापरता येईल असा एकच मापदंड नाही.

मार्गदर्शनाला प्रतिसाद देण्याची क्षमता चुकीचे उत्तर आणि शिक्षकाचा संदेश यांपासून सुरू होते आणि सिम्युलेटर ठरवलेल्या दुरुस्तीपर्यंत पोहोचतो का त्याचे गुणांकन करते. बुद्धिबळात लक्ष्य इंजिननुसार सर्वोत्तम चाल असते, इंग्रजीत दुरुस्त केलेला लेखनाचा भाग, तर गणितात बरोबर उत्तर असते. आभासी विद्यार्थी मार्गदर्शन वापरून उत्तराच्या दिशेने जाऊ शकतो का हे त्यातून तपासले जाते. त्याच हस्तक्षेपानंतर त्या विद्यार्थ्याने प्रत्यक्ष दिलेल्या पुढील प्रतिसादाशी ही थेट तुलना नाही. अशा वैयक्तिक पुढील प्रतिसादांचा मानक चाचणीच्या प्रमाणात संग्रह करणे हे भविष्यातील डेटा-संकलनाचे आव्हान असल्याचे लेखक सांगतात.

या प्रशिक्षण प्रक्रियेत आधी एकाच विषयातील विद्यार्थ्यांच्या एकत्रित नोंदींमधून नमुने शिकवले जातात आणि नंतर एका विद्यार्थ्याच्या नोंदींवर सिम्युलेटर विशेषीकृत केला जातो. मानक चाचणीतील बुद्धिबळ व गणिताच्या शिक्षकांचे संदेश भाषा मॉडेलद्वारे, इंजिनच्या निश्चित लक्ष्यांवर किंवा तपासलेल्या उत्तरांवर आधारित तयार केले होते; इंग्रजीच्या मजकूरसंग्रहात शिक्षकांच्या दुरुस्त्या आहेत. मूल्यमापनात प्रत्येक विद्यार्थ्याच्या प्रशिक्षणासाठी न वापरलेल्या नोंदी वापरल्या जातात. ठरावीक यादीमुळे त्याच सामग्रीवर वेगवेगळ्या पद्धतींची तुलना करता येते; हे 60 विद्यार्थी व्यापक शालेय लोकसंख्येचे प्रतिनिधित्व करतात याचा तो पुरावा नाही.

निष्कर्ष काय दाखवतात

बुद्धिबळात StudentSim ने खेळाडूंच्या राखून ठेवलेल्या चाली जुळवताना वर्तनाशी जुळण्याच्या अचूकतेचा 0.5150 गुण मिळवला. तुलनेत बुद्धिबळासाठी खास Maia2 मॉडेलचा गुण 0.4535 आणि प्रॉम्प्ट दिलेल्या GPT-5.4 चा 0.2316 होता. मार्गदर्शनाला प्रतिसादाचा गुण 0.9067 होता; इतर दोघांचे अनुक्रमे 0.2721 आणि 0.7186 होते. शोधनिबंधातील निष्कर्षांच्या तक्त्यांत इंग्रजी लेखन आणि गणितातही वापरलेल्या आधारभूत मॉडेलपेक्षा जास्त गुण नोंदवले आहेत. या क्षेत्रांत वेगवेगळे मापदंड वापरले आहेत आणि चाचणी यादीत विद्यार्थ्यांची संख्याही कमी आहे.

पथकाने नंतर स्थिर पॅरामीटर असलेला सिम्युलेटर वापरून AI बुद्धिबळ-शिक्षकाला बक्षीस दिले: त्याच्या मार्गदर्शनामुळे आभासी खेळाडू Stockfish इंजिननुसार अधिक चांगली चाल खेळला की बक्षीस मिळत होते. शिक्षकांच्या उत्तरांच्या अंध मूल्यमापनात आठ स्पर्धात्मक बुद्धिबळपटूंनी 30 स्थितींवर 74 अंतिम नोंदी दिल्या. StudentSim बक्षिसांनी प्रशिक्षित शिक्षकाच्या 90.5% उत्तरांत गंभीर दिशाभूल करणारी तथ्यात्मक चूक नसल्याचे गुणांकन झाले. पुनर्बलन शिक्षण नसलेल्या शिक्षकासाठी हे प्रमाण 75.7% होते, तर प्रॉम्प्ट दिलेल्या GPT-5.4 सिम्युलेटरने प्रशिक्षित शिक्षकासाठी 71.6% होते. नोंदवलेल्या मार्गदर्शन व वैयक्तिकीकरणाच्या गुणांकनातही तो पुढे होता. हे तयार केलेल्या बुद्धिबळ-सल्ल्यावरील तज्ज्ञांचे मूल्यमापन आहे. तो सल्ला मिळाल्यावर विद्यार्थ्याची किती प्रगती झाली हे प्रयोगाने मोजले नाही.

या संकल्पना-चाचणीत आणखी एक रचनात्मक मर्यादा आहे: बुद्धिबळ-शिक्षकाच्या बक्षिसासाठी एकत्रित विद्यार्थी-डेटावर प्रशिक्षित सिम्युलेटर वापरला होता, तसेच शिकवण्याची शैली आणि पटाच्या वर्णनातील चुका तपासल्या होत्या. वेगवेगळ्या प्रशिक्षित वैयक्तिक विद्यार्थी-मॉडेलना वैयक्तिक बक्षीस म्हणून वापरले नव्हते. लेखकांनी बुद्धिबळ निवडण्याचे एक कारण म्हणजे बुद्धिबळ इंजिन चालींना गुण देऊ शकते; हेच प्रशिक्षण चक्र खुल्या स्वरूपाच्या शालेय कामाला लावण्यासाठी योग्य बक्षीस-मापदंड लागेल.

विद्यार्थ्यांच्या वापराआधी काय बाकी आहे

हा प्रसिद्ध केलेला कोड-संग्रह संशोधकांसाठी प्रशिक्षण आणि मूल्यमापनाचा कोड देतो. त्याच्या पारदर्शकतेच्या नोंदीनुसार ही पद्धत सर्वाधिक सखोलपणे बुद्धिबळात तपासली आहे, विद्यार्थ्यांसाठी प्रत्यक्ष तैनात करता येईल अशी सामग्री त्यात नाही आणि ओळख पटणाऱ्या विद्यार्थ्याचे मूल्यमापन किंवा क्रमवारी लावण्यासाठी तो वापरू नये. Microsoft Research याचे वर्णन विकासाचे साधन म्हणून करते; वर्गातील उत्पादन किंवा शिक्षकांचा पर्याय म्हणून नाही.

AI शिक्षकाबाबतचे दावे तपासणाऱ्या शिक्षणतज्ज्ञांसाठी हे निष्कर्ष एका मर्यादित प्राथमिक प्रश्नाचे उत्तर देतात: या मानक चाचणीत आभासी विद्यार्थी नोंदवलेल्या उत्तरांचे काही नमुने राखतो आणि मार्गदर्शित दुरुस्तीला प्रतिसाद देतो का? खरे विद्यार्थी ज्ञान टिकवतात का, अनेक सत्रांत त्यांना फायदा होतो का किंवा वर्गात सुरक्षित व उपयुक्त प्रतिसाद देतात का, हे प्रश्न खुले आहेत. हे परिणाम तपासण्यासाठी मानवी सहभागाचे अभ्यास आवश्यक असल्याचे संशोधक सांगतात. BIG CHANGE ने शोधनिबंध, संशोधनावरील लेख आणि कोडची कागदपत्रे तपासली; आम्ही StudentSim चालवले नाही किंवा त्याचे गुण स्वतंत्रपणे पुनरुत्पादित केले नाहीत.

स्रोत आणि पुढील वाचन

  • StudentSim: LLM-आधारित विद्यार्थी-सिम्युलेटरचे प्रशिक्षण, प्रीप्रिंट आवृत्ती 1, 1 सप्टेंबर 2026. पद्धती, मानक चाचणीच्या व्याख्या, निष्कर्षांचे तक्ते आणि बुद्धिबळ-शिक्षकाचा अभ्यास. निकषाधारित मार्गदर्शन-लक्ष्य आणि प्रमाणीकरणाची व्याप्ती यासाठी परिशिष्ट F वाचा.
  • Microsoft Research चे स्पष्टीकरण, 12 ऑक्टोबर 2026. उद्देश, पद्धत आणि मर्यादांबाबत संशोधन पथकाचे स्पष्टीकरण; हे स्वतंत्र मूल्यमापन नाही.
  • StudentSim कोड आणि README. लेखकांनी दिलेली प्रशिक्षण व मूल्यमापनाची प्रवेशस्थाने आणि क्षेत्रनिहाय डेटा-तयारी. केवळ कोड उपलब्ध असणे म्हणजे नोंदवलेले निष्कर्ष पुनरुत्पादित झाले असा अर्थ नाही.
  • StudentSim पारदर्शकतेची नोंद. अपेक्षित संशोधन वापर, विद्यार्थ्यांसाठी वापराच्या मर्यादा आणि या प्रकाशनाचा बुद्धिबळावर असलेला अधिक मर्यादित भर.