Microsoft phát triển StudentSim: Mô phỏng "học sinh biết mắc lỗi" để dạy kèm gia sư AI

Giải bài toán thiếu dữ liệu thực nghiệm cho gia sư AI

Các hệ thống gia sư AI chỉ phát huy tối đa hiệu quả khi nắm bắt chính xác điểm mạnh và điểm yếu của từng cá nhân. Tuy nhiên, việc thử nghiệm và tìm ra phương pháp giảng dạy phù hợp trên học sinh thật lại vô cùng tốn kém và mất nhiều thời gian, khiến tốc độ cải tiến AI trong giáo dục bị chậm nhịp đáng kể so với bước tiến của các mô hình ngôn ngữ lớn.

Để khắc phục rào cản này, nhóm nghiên cứu từ Microsoft và Đại học Illinois (Mỹ) vừa giới thiệu hệ thống mang tên StudentSim. Dự án tập trung xây dựng các bản sao kỹ thuật số (digital replicas) mô phỏng hành vi của từng học sinh cụ thể từ tập dữ liệu rất hạn chế, cho phép gia sư AI thực hành tương tác và nhận phản hồi nhanh chóng mà không cần học sinh thật tham gia vào giai đoạn huấn luyện ban đầu. Toàn bộ mã nguồn của dự án hiện đã được công bố trên GitHub.

Cơ chế hai giai đoạn và độ chính xác vượt trội trước GPT-5.4

Thách thức lớn nhất trong việc mô phỏng người học là tình trạng thiếu hụt dữ liệu. Trong tập dữ liệu viết luận tiếng Anh dùng cho nghiên cứu, trung vị mỗi học sinh chỉ có 3 bài viết, và hơn hai phần ba học sinh chỉ có tối đa 5 bài. Nếu huấn luyện bản sao trực tiếp trên số lượng mẫu ít ỏi này, mô hình sẽ ngay lập tức bị quá khớp (overfitting).

Nhóm nghiên cứu đã giải quyết bằng quy trình huấn luyện hai giai đoạn dựa trên nền tảng mô hình Qwen3-4B-Instruct của Alibaba:

• Giai đoạn 1: Mô hình nền học các mẫu số chung từ dữ liệu gộp của toàn bộ học sinh trong một môn học, bao gồm các lỗi sai điển hình và cách học sinh phản hồi sau khi nhận gợi ý.
• Giai đoạn 2: Tinh chỉnh mô hình thích ứng riêng với thói quen và năng lực của từng cá nhân dựa trên vài lượt dữ liệu ít ỏi sẵn có của người đó.

Thử nghiệm trên 60 học sinh ở ba lĩnh vực gồm cờ vua, tiếng Anh và toán học cho thấy StudentSim vượt trội hơn hẳn mô hình lớn GPT-5.4 (khi được giao vai đóng giả học sinh).

Cụ thể ở môn cờ vua, StudentSim dự đoán chính xác nước đi tiếp theo của từng kỳ thủ cao gấp đôi so với các phương pháp khác, đồng thời tiếp thu rất tốt các chỉ dẫn điều chỉnh. Trong một tình huống thực tế khi ba kỳ thủ đưa ra ba nước đi khác nhau, StudentSim tái hiện chính xác từng lựa chọn của mỗi người. Ngược lại, mô hình chuyên về cờ Maia2 lại dự đoán cùng một nước đi phổ biến nhất cho cả ba, còn GPT-5.4 đoán sai toàn bộ nước đi của họ.

Khi áp dụng bản sao này để huấn luyện một gia sư cờ vua AI, các kỳ thủ chuyên nghiệp đánh giá phiên bản gia sư học qua StudentSim đạt điểm cao nhất về chất lượng diễn giải và khả năng cá nhân hóa, đồng thời mắc ít lỗi nghiêm trọng nhất. Đáng chú ý, phiên bản gia sư được đào tạo với "học sinh" GPT-5.4 lại mắc nhiều lỗi sai kiến thức thực tế hơn cả phiên bản không qua huấn luyện bổ sung.

Xu hướng cá nhân hóa mô hình học tập trong ngành giáo dục

Hiện nay, các công cụ gia sư AI như Study Mode của OpenAI hay Guided Learning của Google chủ yếu hoạt động dựa trên các chỉ dẫn hệ thống (system instructions) và mô hình tinh chỉnh cho nghiệp vụ sư phạm chung, nhưng vẫn thiếu khả năng xây dựng mô hình tâm lý hay theo dõi trình độ thực của từng cá nhân. Nhiều nghiên cứu trước đây chỉ ra rằng nếu thiếu sự thích ứng này, sự hỗ trợ từ AI đôi khi còn khiến kết quả của người học sụt giảm so với việc tự học độc lập.

Microsoft cũng đang tích cực thử nghiệm AI trong môi trường giáo dục thực tế. Một dự án thí điểm tại Nigeria cho học sinh tương tác với Copilot 2 lần mỗi tuần trong 6 tuần đã ghi nhận mức tăng điểm số tương đương gần 2 năm học tập thông thường.

Theo nhóm tác giả, cờ vua là bước thử nghiệm lý tưởng nhờ có các công cụ đánh giá nước đi khách quan. Nhóm nghiên cứu dự định sẽ mở rộng hệ thống sang việc mô hình hóa chu kỳ tiếp thu, ghi nhớ và quên kiến thức của học sinh qua các buổi học dài hạn, từ đó hoàn thiện khả năng đánh giá cho các dạng bài tự do như văn học và toán suy luận mở.