StudentSim: Yapay Zekâ Öğretmenine Sanal Öğrenci

Microsoft Research ve Illinois Üniversitesi araştırmacıları, 12 Ekim 2026’da StudentSim adlı bir araştırma sistemini tanıttı. Sistem, yapay zekâ destekli öğretmen araçlarını gerçek öğrencilerle denemeden önce değerlendirip geliştirmek için kişiye özel sanal öğrenciler üretiyor. Araştırmacılar bunun bir ürün olmadığını, sınıflarda kullanılmadığını ve öğretmenlerin yerini almayı amaçlamadığını özellikle belirtiyor.

Ne Değişti?

Bir yapay zekâ öğretmenin iyi olup olmadığını yalnızca verdiği cevaba bakarak anlamak mümkün değil. Önemli olan, açıklamanın öğrenciye ulaştıktan sonra ne olduğu. Öğrenci hatasını düzeltti mi? İpucu onu doğru düşünmeye mi yöneltti, yoksa cevabı fazla mı ele verdi? Bu soruların cevabı bugün genellikle gerçek öğrencilerle yapılan çalışmalarla bulunuyor. Bu çalışmalar değerli ama yavaş ve pahalı.

Akla ilk gelen çözüm, büyük bir dil modeline “matematikte zorlanan bir ilkokul öğrencisisin” demek. Sorun şu ki model öğrencinin ses tonunu taklit edebilse de onun gerçek bilgi sınırını koruyamıyor. Öğrencinin bilmemesi gereken şeyleri biliyor. Bu durumda yapay zekâ öğretmen olduğundan daha başarılı görünebiliyor, çünkü karşısındaki “öğrenci” fazla yetenekli.

StudentSim Nasıl Çalışıyor?

Sistem iki aşamalı bir eğitimle her öğrenci için ayrı bir simülatör oluşturuyor. İlk aşamada aynı alandaki birçok öğrencinin kayıtları birlikte kullanılıyor. Model yaygın cevap biçimlerini, sık yapılan hataları ve öğrencilerin geri bildirim sonrası nasıl düzeltme yaptığını öğreniyor. İkinci aşamada model tek bir öğrencinin kendi kayıtlarıyla uzmanlaştırılıyor.

Değerlendirme iki ölçüte dayanıyor. Davranış sadakati, simülatörün belirli bir öğrencinin cevaplarına ne kadar benzediğini ölçüyor. Rehberliğe duyarlılık ise öğretmenin açıklamasını okuduktan sonra cevabını güncelleyip güncellemediğine bakıyor. Bu ikili, eğitim biliminde Vygotsky’nin yakınsak gelişim alanı kavramından esinleniyor: Öğrencinin tek başına yapabildiği ile destekle yapabildiği arasındaki fark.

Testler satranç, ikinci dil olarak İngilizce yazma ve matematik alanlarında yapıldı. Satrançta StudentSim davranış sadakatinde 0,5150, rehberliğe duyarlılıkta 0,9067 puana ulaştı. Aynı ölçütlerde GPT-5.4 sırasıyla 0,2316 ve 0,7186’da kaldı. Satranca özel insan hamlesi tahmin modeli Maia2 ise 0,4535 ve 0,2721 puan aldı.

Araştırmanın en dikkat çekici kısmı bu soruya verilen cevap. Ekip, bir satranç öğretmen modelini pekiştirmeli öğrenmeyle eğitti ve ödül sinyalini sanal öğrenciden aldı. Kör değerlendirme yapan satranç uzmanlarına göre StudentSim ile eğitilen öğretmen yüzde 90,5 doğruluğa ulaştı. Pekiştirmeli öğrenme uygulanmayan temel model yüzde 75,7’de, GPT-5.4’ü sanal öğrenci olarak kullanan model ise yüzde 71,6’da kaldı. Araştırmacılar bunu bir kavram kanıtı olarak sunuyor.

Kimi İlgilendiriyor?

Eğitim teknolojisi geliştiren şirketler ve araştırmacılar bu çalışmanın ilk muhatabı. Her model güncellemesinde gerçek öğrenci çalışması yapmak yerine, erken aşamada sanal öğrencilerle hızlı deneme yapmak geliştirme sürecini kısaltabilir. Ancak araştırmacılar, öğrenme sonuçları, güvenlik ve sınıf uyumu için gerçek öğrencilerle yapılan çalışmaların vazgeçilmez olduğunu vurguluyor.

Türkiye’den Kullanıcılar İçin

Çalışmada yalnızca araştırma amacıyla yayımlanmış, kimlik bilgilerinden arındırılmış açık veri setleri kullanıldı. Makale ve kod herkese açık. Türkiye’de eğitim teknolojisi alanında çalışan ekipler yöntemi kendi verilerine uyarlamak isterse, öğrenci verisinin anonimleştirilmesi ve KVKK uyumu ilk adım olmalı. Türkçe ya da Türk müfredatına özel bir test bu çalışmada yer almıyor.