StudentSim

StudentSim 是微软（Microsoft）研究院成员在 GitHub 开源的研究框架，配套一篇同名论文。它想解决的问题是：要知道哪种讲解对哪个学生有用，找真人学生反复试又慢又贵。做法是给每个学生训练一个“学生模拟器”：先用很多学生的记录一起训练一个基础版本，再用某一个学生自己的记录继续训练，让模拟器带上这个学生的水平和常犯的错，并且在听完辅导后像这个学生那样改答案。训练材料是真实的学习记录，覆盖国际象棋、英语作为第二语言的写作、初中数学三个领域：棋类来自 Lichess 网站真实棋手的对局，写作和数学来自要另外申请的学术数据集。基础模型是通义千问 Qwen3-4B-Instruct-2507，每个学生训练出来的是一个小的 LoRA 适配器。在棋类上，仓库还演示了把模拟器当成陪练学生，用强化学习训练一个会写指导的 AI 辅导员。它特别的地方在于同时考两件事：模拟器像不像这个学生（行为保真，behavioral fidelity），以及听了辅导以后会不会像这个学生那样改正（对指导的反应，guidance responsiveness）。

适合谁：研究 AI 辅导、教学策略和学习者行为的研究人员。它没有面向学生或老师的成品，普通读者能直接用上的地方很有限，更适合拿来了解这类研究在做什么。

使用前提：这是研究代码，需要 Python 3.10 以上，按用途另装 PyTorch、Transformers、vLLM 等依赖，训练模型需要相应的计算资源，基础模型要自己从 Qwen 下载。凡是调用语言模型的步骤，都要配置你自己的 Azure OpenAI 地址和密钥，会产生 API 费用。训练数据来自真实的人：棋类记录来自 Lichess 2025 年 5 月公开的 CC0 对局，数据说明写着学生编号是随机生成的，没有办法对回原网站账号；写作和数学数据要你自己向数据提供方申请、接受使用协议后放进去，仓库不会再分发。棋类数据说明写着上传还没完成，下载路径目前还是占位符，暂时没法照着 README 一步复现。微软的透明说明（Transparency Note）写明：使用者要合法、合乎伦理地获取数据，包括取得相应授权、同意，或先做去标识处理；模拟结果只是模拟出来的回答，不能用来评估、排名或决定任何可识别学生的事；不建议没有进一步测试就用在商业或真实场景，也不建议用于高风险决策。代码是 MIT 许可。

以上根据项目公开说明整理，本站没有实际测试。