AI家庭教師の訓練費を削減、模擬生徒データで学習させる新手法StudentSim

AI家庭教師の訓練は、大勢の生徒による多様なデータを使うと精度が上がる一方、そのデータ収集自体が「法外に高くつき、時間もかかる」と研究チームは論文で指摘しています。この負担のため、AIモデル全体の進歩に比べてチューター側の改善が遅れてきたといいます。

こうした課題を受け、研究チームは実際の生徒の代わりに「デジタル分身」を使ってチューターを訓練する仕組み「StudentSim」を提案しました。1人の生徒についてわずかな作業記録しかなくても、個別の分身を作れる点が特徴です。

検証では、チェス・英語学習・数学の3分野で60人分の公開データセットが使われました。結果、StudentSimは3分野いずれでも、生徒役を演じさせたGPT-5.4を上回る成績を残しています。チェスでは、次の一手の予測精度が既存手法のおよそ2倍に達し、指導後の修正にもほぼ確実に応じたと報告されました。専門のチェスモデルは精度で及ばなかったといいます。

さらに応用例として、StudentSimで訓練したチェスチューターをプロ棋士が評価したところ、事実誤りの少なさ・説明の質・個別対応のいずれの項目でも最高評価を得ました。研究チームはコードをGitHubで公開しています。

AI家庭教師とは、生徒一人ひとりの解答や誤答の癖を踏まえてヒントを出す学習支援AIを指します。従来の作り方には大きく2種類あり、実際の生徒データから行動パターンを学ぶモデルは特定の生徒の癖を再現できますが、チューターの説明を理解して答えを直す力は弱いとされます。逆に、生徒役を演じるよう指示された言語モデルはヒントに素直に従いますが、模倣対象の生徒本来の実力とはかけ離れた反応をしがちです。

StudentSimはこの2つの能力を両方とも数値目標として学習させる点が新しい部分です。まず教科ごとの全生徒データをまとめて学習し、よくある間違いやヒント後の修正パターンをつかみます。次に、その基盤モデルを個々の生徒の少ない記録に合わせて調整する、二段階の訓練を採用しています。分析対象の英作文データセットでは、生徒1人あたりのエッセイ数の中央値がわずか3本、5本以下の生徒が3分の2を超えていたといい、こうした少なさが従来手法での過学習を招いていたとされます。ベースとなる言語モデルには、アリババのQwen3-4B-Instructが使われました。