Microsoft Research hat mit StudentSim ein neues Forschungssystem vorgestellt, das KI-Tutoren vor einem praktischen Einsatz mit echten Schülern trainieren und evaluieren soll.
Wie Berichte vom 12.10.2026 darlegen, bildet das System individuelle Lernverhalten über computergestützte Modelle ab. Dadurch soll die pädagogische Interaktion zwischen virtuellen Lehrkräften und Lernenden gezielt erprobt werden, ohne dass unausgereifte Systeme direkt an echten Lernenden getestet werden müssen.
Personalisierte Simulation des Lernverhaltens
StudentSim erzeugt auf Basis großer Sprachmodelle personalisierte Schülersimulatoren. Diese Modelle simulieren nicht nur eigenständige Antworten auf gestellte Aufgaben, sondern bilden auch ab, wie sich das Verhalten der simulierten Lernenden verändert, sobald ein Tutor unterstützende Hinweise gibt. Für das Training greift Microsoft Research auf öffentliche und de-identifizierte Datensätze von Lernenden zurück.
Wer sich mit dem Einsatz solcher KI-Systeme befasst, muss auch die rechtlichen Rahmenbedingungen kennen. Dieser kostenlose Umsetzungsleitfaden bietet einen kompakten Überblick über alle Anforderungen, Pflichten und Fristen der EU-KI-Verordnung. EU AI Act in 5 Schritten verstehen: Fristen, Pflichten und Risikoklassen kompakt erklärt
Der Trainingsprozess des Systems erfolgt in zwei getrennten Stufen: Zunächst werden gepoolte Daten aus einer bestimmten Domäne genutzt, um ein allgemeines Grundmodell zu etablieren. Im anschließenden Schritt folgt eine gezielte Spezialisierung auf einzelne Lernende mithilfe von LoRA-Adaptern.
Benchmark und Testergebnisse im Vergleich
Zur Überprüfung des Systems entwickelte das Forschungsteam den Benchmark StudentSimEval. Dieser umfasst 60 Lernende in den drei Anwendungsbereichen Schach, Englisch als Zweitsprache sowie Mathematik. Die Bewertung stützt sich auf zwei zentrale Metriken: die Verhaltenstreue sowie die Reaktionsfähigkeit auf Hinweise des jeweiligen Tutors.
Im Schachbereich erzielte StudentSim den Angaben zufolge eine Verhaltenstreue von 0,5150 und eine Reaktionsfähigkeit von 0,9067. Im Vergleich dazu kam das Modell GPT-5.4 auf Werte von 0,2316 bei der Verhaltenstreue und 0,7186 bei der Reaktionsfähigkeit, während das Modell Maia2 Werte von 0,4535 und 0,2721 erreichte.
Zusätzlich untersuchte Microsoft Research das Training von Tutoren mittels Reinforcement Learning, wobei die Belohnung über Bewertungen der Schachentwicklungssoftware Stockfish gesteuert wurde. In einer verblindeten Expertenbewertung erreichte der Ansatz mit einer Belohnung über StudentSim eine Genauigkeit von 90,5%.
Die Entwicklung neuer KI-Lösungen stellt Unternehmen vor die Frage, welche Systeme als Hochrisiko eingestuft werden. Dieser kostenlose Report klärt auf, was Entwickler und Anwender jetzt konkret tun müssen, um rechtlich auf der sicheren Seite zu stehen. Welche KI-Systeme gelten als Hochrisiko – und was müssen Unternehmen jetzt konkret tun?
Ein Training ohne Reinforcement Learning erzielte im Vergleich 75,7%, während ein Reinforcement Learning mit GPT-5.4-Reward auf 71,6% kam. Neben diesen Messwerten erhielt das System die höchsten Bewertungen für Qualität und Personalisierung.
Forschungsstatus und fehlende Praxistests
Bei StudentSim handelt es sich nach Angaben der Forscher um ein reines Forschungsprojekt und nicht um ein fertiges Produkt, einen Ersatz für Lehrkräfte oder ein System für den unmittelbaren Schuleinsatz. Eine Validierung im realen Klassenzimmer hat bisher nicht stattgefunden. Fachberichte weisen darauf hin, dass sämtliche Leistungsdaten direkt von den beteiligten Autoren stammen und eine unabhängige Überprüfung bislang aussteht.
Die Ergebnisse dienen als Konzeptnachweis. Ob sich der tatsächliche Lernerfolg und die Sicherheit im Bildungsalltag bestätigen, muss in künftigen Studien mit realen Personen überprüft werden. Das zugrundeliegende wissenschaftliche Papier wurde von den Autoren Ke Yang von der University of Illinois Urbana-Champaign sowie Chenglong Wang, Michel Galley, Chandan Singh, Jeevana Priya Inala, ChengXiang Zhai und Jianfeng Gao verfasst und am 01.09.2026 auf dem Preprint-Server arXiv veröffentlicht.
Der zugehörige Programmcode steht unter einer MIT-Lizenz öffentlich auf GitHub zur Verfügung. Ein offizieller Tweet von Microsoft Research verlinkt die entsprechende Veröffentlichung.