AIEd база знанийAIEd KB
На этой странице

Читать эту страницу на английском

Концепции

Адаптивное обучение

Создано 2026-10-13

Автоматический перевод данной английской страницы, не проверенный носителем языка.

Адаптивное обучение — образовательные системы на базе ИИ, которые корректируют контент, темп и стратегии обучения на основе индивидуальных характеристик и результативности учащегося. Адаптивное обучение — операциональная цель большей части AI in education research: использование student models для персонализации обучения.

Вопросы для размышления

  • «Адаптивное», «персонализированное», «индивидуализированное» и «кастомизированное» обучение часто используются взаимозаменяемо — но исследования предполагают, что это не одно и то же. Что, по вашему предположению, означает каждое из этих слов, и в чём эти допущения могут ошибаться?
  • Адаптивная система корректирует контент и сложность на основе модели того, что вы знаете. Что может пойти не так, если эта модель опирается на поверхностные или ненадёжные сигналы о вашем обучении?
  • Ключевой вывод состоит в том, что системы, выводящие владение из правильных ответов, могут прекращать практику слишком рано — прежде чем вы научитесь, когда следует воздержаться от действия. Можете ли вы вспомнить навык, при котором быть «правильным» раз за разом всё же оставило вас неподготовленным к реальной ситуации?
  • Чрезмерная адаптация может убрать продуктивную борьбу, в которой студенты нуждаются для глубокого обучения. Если ИИ делает всё легче в тот момент, когда вы испытываете трудности, что именно теряет учащийся?
  • Метаанализ предполагает, что именно механизм адаптации — а не конкретное поколение инструмента — определяет learning gains. Если «как» важнее «какой инструмент», на что следует смотреть при выборе адаптивного программного обеспечения?
  • Тьюторы на основе LLM теперь могут адаптировать язык и стиль объяснения, а не только сложность. Когда персонализация способа объяснения помогает обучению, а когда может тихо подорвать собственную агентность учащегося?

Введение

Базовые механизмы

  • Цикл измерение–модель–адаптация: Трассирование знаний оценивает, что знает студент, Моделирование учащегося и адаптивное обучение представляет учащегося, и система соответственно адаптирует сложность, контент и Обратная связь.
  • Персонализация в масштабе: системы Персонализированное обучение используют адаптивные алгоритмы, чтобы давать уникальные учебные пути каждому студенту. DeepTutor: Towards Agentic Personalized Tutoring и elementary fraction tutors демонстрируют адаптивную персонализацию на практике.
  • Секвенсирование контента: Adaptive pretesting и lesson plan transformers оптимизируют порядок и тип представляемого контента.
  • Интеграция ITS: Intelligent tutoring systems — каноническая платформа адаптивного обучения, сочетающая диагностику с адаптацией.
  • Профилирование и диагностика на основе AutoML: Традиционные образовательные модели с трудом обрабатывают разнородные данные об учебном поведении из множества источников, что ограничивает профилирование учащегося и разработку диагностических моделей. Рамка поиска персонализированной нейронно-когнитивной архитектуры, управляемая автоматическим machine learning, интегрирует multi-modal образовательные данные с разнородными методами, генерируя диагностические модели, подогнанные под разнородные профили учащихся, и поддерживая динамический, а не статический анализ процессов обучения.

Доказательства эффективности

База знаний документирует смешанные доказательства: адаптивные системы улучшают результаты, когда адаптация обоснована надёжными student models, но плохо откалиброванная адаптация может вредить обучению. Personalization research различает эффективную адаптацию и поверхностную кастомизацию. Systematic reviews обнаруживают, что «адаптивное», «персонализированное», «индивидуализированное» и «кастомизированное» обучение используются непоследовательно, — поэтому размеры эффекта сильно зависят от того, как операционализирована адаптация, и область призывает к унифицированной рамке.

Обзор по методологии PRISMA 2020, отобравший 959 записей до 22 вмешательств в высшем образовании, относит адаптивные траектории и системы рекомендаций к ведущим приложениям ИИ, но большинство исследований улучшали существующую практику, а не трансформировали её (AlSheikh et al. (2026)).

Педагогическое обоснование, а не техническая возможность, определяет адаптацию. 15-летний обзор 127 исследований интеллектуального тьюторинга обнаруживает, что большинство систем построены вокруг того, что может делать технология, а не вокруг заявленного педагогического принципа, и оценивает средний прирост ITS примерно в 20% против до 98% для тьюторинга человеком (Zerkouk et al. (2025)).

Восприятие, а не механизм адаптации, было связывающим ограничением в двухлетнем районном РКИ: сведение записи к одному шагу повысило восприятие на первой сессии примерно с 45% до 83% одними только изменениями дизайна, и приросты в анализе намерения лечить росли по мере роста восприятия (Oreopoulos et al. (2026)).

Обзор по методологии PRISMA 44 исследований обнаруживает, что литература по вовлечению смещена к поведенческому вовлечению и наиболее тонка на агентном вовлечении, и сообщает об эффекте новизны — вовлечении, снижающемся со временем в лонгитюдных исследованиях ALEKS и W-Pal, когда новизна инструмента проходила (Simon, Zeng & Fryer (2026)).

Эпоха ИИ: адаптация на основе LLM и её риски

Generative AI расширил то, что могут делать адаптивные системы, — разговорные agentic тьюторы, RAG (генерация с дополненным поиском) контент и управляемый Большие языковые модели (LLM) tutoring адаптируют не только сложность задач, но и язык и стиль объяснения (например, LearnMate-2, DeepTutor: Towards Agentic Personalized Tutoring, multi-agent adaptive tutoring). Однако адаптация на основе LLM вводит новые риски: без надёжных student models адаптация может опираться на поверхностные сигналы; чрезмерная адаптация может снизить продуктивную борьбу, в которой нуждаются студенты (см. Полезные трудности, Когнитивный оффлоадинг); и баланс между персонализацией и сохранением Автономность учащегося учащегося — открытый вопрос проектирования (см. agentic AI). Вариант адаптации по запросу учащегося работает вообще без student model: в магистерском курсе Sidorkin (2026) чтения корректировались только когда студенты задавали дополнительные вопросы, чтобы переформулировать, углубить, упростить или локализовать их, и ориентированные на понимание запросы надёжно производили более плотный скаффолдинг (в 3.4x–8.7x больше дефиниционных маркеров, чем в базовом тексте), и именно поэтому требование задавать как минимум три дополнительных вопроса на чтение превращало материал во взаимодействие. Оно также переносит адаптивную нагрузку на учащегося: адаптация здесь происходит, только если студент знает, о чём просить.

Отношение к персонализированному обучению и интеллектуальному тьюторингу

Адаптивное обучение часто смешивают с personalized learning, но они различаются. Адаптивное обучение — механизм: корректировка в реальном времени контента, темпа и сложности на основе модели учащегося. Персонализированное обучение — более широкая цель подгонки всего учебного опыта под индивидуума, одним из способов реализации которой является адаптация в реальном времени. Адаптивные системы — канонические средства для персонализации. Intelligent tutoring — классическая платформа: ITS сочетают диагностику (моделирование студента, трассировку знаний) с адаптацией, а тьюторы на основе LLM адаптируют разговорно. Вместе с personalized learning адаптивное обучение является приложенческим членом семейства learner modeling and adaptive instruction — потребляя представления учащегося, которые производят student modeling, Трассирование знаний и Когнитивная диагностика.

Доказательства исследований

  • Meta-analytic доказательства по адаптивным + ИИ-инструментам. A World Bank meta-analysis 14 RCTs объединяет адаптивное компьютерно-поддержанное обучение, интеллектуальный тьюторинг и генеративный ИИ на общей шкале, оценивая средний прирост в обучении примерно в 0.125 SD без значимого различия между двумя поколениями технологий — доказательство того, что именно механизм адаптации, а не конкретное поколение инструмента, определяет приросты.
  • Адаптивные алгоритмы в сравнении в динамических областях. Graph-based ITS research сравнивает несколько адаптивных алгоритмов обучения (включая байесовское распространение знаний и интуиционистскую нечёткую логику) в рамках представления знаний на основе графов для динамических учебных планов.
  • Обучение с подкреплением как механизм адаптации, эмпирически картированное. Riedmann, Schaper & Lugrin (2025) синтезируют 89 исследований RL в образовании и обнаруживают, что адаптация разделяется на связанные с контентом (секвенсирование обучения/планирование контента, n = 53) и связанные с руководством (подсказки, Обратная связь, выбор деятельности, n = 36) механизмы, — причём RL показывает статистически значимое превосходство над базовыми линиями чаще для адаптации, связанной с руководством, чем для планирования контента. Они рекомендуют model-free RL для адаптивного обучения и предостерегают, что классический RL превзошёл глубокий RL в рассмотренных исследованиях.
  • Адаптивность на основе правильности может прекратить практику слишком рано. An, McLaren, and Stamper (2026) обнаружили, что адаптивные системы, выводящие владение из правильности, рискуют прекратить практику прежде, чем учащиеся встретятся с контекстами, в которых изученное действие следует сдержать, — оставляя обманчивую сверхгенерализацию необнаруженной. Они рекомендуют включать задачи-детекторы «не действуй» прежде, чем сработают правила остановки по владению, чтобы адаптация проверяла условное понимание (знание, когда сдержать действие), а не только правильность.
  • Серия владения — не долговременное обучение. В полевом эксперименте с 6 000 учеников средней школы поддерживаемое ИИ правило владения «три правильных подряд» повысило определяемое платформой достижение примерно на 28.7 процентных пункта, не улучшив отложенный тест неделю позже, поэтому метрики владения нуждаются в валидации против отложенного обучения, а не в том, чтобы стоять вместо него (Oreopoulos et al. (2026)).
  • Адаптируйте тип когнитивного вовлечения, а не только сложность. Tithi et al. (2026) обнаружили, что политики BKT и глубокого RL, назначающие управляемые (активные) или баги-примеры (конструктивные) решённых задачи, оба превосходят случайное назначение в логическом тьюторе на 113 студентов (пост-тест 72.3 и 72.5 против 65.7), причём BKT лучше всего служит студентам с низким предварительным знанием, а DRL — с высоким.
  • Больше обратной связи — не лучше обратной связи. В восьминедельном адаптивном курсе стохастики (194 студента) директивная, информативная и трансформирующая обратная связь принимались по-разному, и трансформирующая обратная связь ассоциировалась с когнитивной перегрузкой, а не с лучшей регуляцией, — адаптивность должна соответствовать фазе и потребности учащегося, а не максимизировать плотность обратной связи (Mejeh & Fromm (2026)).
  • Профили вовлечения как цели адаптации. An, Hammock & Goel (2025) проследили 315 обучающихся онлайн, строящих 822 модели в VERA, и классифицировали их вовлечение на профили Observation, Construction и Exploration, обнаружив, что учащиеся имеют тенденцию прогрессировать от поведения, сосредоточенного на конструировании, к более полному, ведомому гипотезами Exploration, тогда как Observation сохраняется через фазы. Они утверждают, что адаптивное и персонализированное проектирование должно распознавать эти профили и нацеливать обратную связь (например, рекомендуя похожие модели или поддерживая более глубокое концептуальное понимание), чтобы двигать поверхностных наблюдателей к более интегративному, полному моделированию.
  • Память, которую читают, но в которую не пишут, — не адаптация. Контроль с замороженной памятью в CoLearn подавал фиксированные элементы, продолжая читать профиль учащегося, и доля элементов, нацеленных на поистине слабый навык, упала с 0.72 до 0.57, причём финальная ошибка владения выросла выше адаптивного условия (He et al. (2026)).
  • Прирост пришёл от секвенсирования, а не от умного тьютора. Chung et al. (2026) обучили персонализированного тьютора с управляемым LLM обучением с подкреплением и развернули его в пятимесячном курсе по Python в десяти high schools Тайбэя, рандомизировав 770 студентов между адаптивной и фиксированной последовательностями задач от лёгкого к трудному. Адаптивное секвенсирование повысило оценку очного final exam без помощи на 0.156 SD (0.150 SD с контролями), — тогда как медиационный анализ приписал эффект почти полностью вовлечению (0.185 SD через время на задачу, 0.149 SD через попытки), а не более лёгкому или трудному материалу, и приросты были наибольшими для начинающих и школ нижнего тира. Адаптивным рычагом был порядок практики, а не качество чата.
  • Держите решения о владении правило-основанными и ограничьте машинное обучение мониторингом. Восьминедельная адаптивная STEM-программа для 30 шестиклассников управляла траекториями через правило-основанное владение, в то время как машинное обучение отслеживало результативность, сохраняя адаптацию аудитируемой, но без предварительного теста и с одним классом на условие её приросты — шаблон-пилот для локальной валидации (Bin Bakheet et al., 2026).
  • Адаптируйте узкий атрибут, а не слабое среднее. Моделирование переходов состояний знания оценило аналитическое мышление как наиболее трудное для приобретения и наиболее лёгкое для потери — наименьшая прямая вероятность перехода 0.31 и наибольшая обратная 0.22–0.23, — делая повторную практику отмеченного атрибута более острой целью адаптации, чем общее владение (Feng & Huang, 2026).
  • Адаптация из последовательностей процессов, а не из агрегированных оценок. Wong, Bulathwela & Cukurova (2026) вывели правила скаффолдинга, добывая порядок 65 реплик студентов в триадах, двигая адаптивное обучение от агрегированных поведенческих или результативных мер к индивидуальным последовательностям процессов; максимальный скаффолдинг повысил поведение на задаче, но также скриптинг, и дизайн не протестирован.

Связанные концепции

Связанные статьи

Метаданные

Обучение и преподаваниеСкаффолдинг
Технологии и методыКогнитивная диагностика, Интеллектуальное тьюторство, Трассирование знаний, Аналитика обучения, Большие языковые модели (LLM), Персонализированное обучение, Моделирование учащегося и адаптивное обучение
SourceHistoryEditChat

Встроить эту страницу

Скопируйте код ниже, чтобы встроить эту страницу в систему управления обучением или на другой сайт. Во встроенной версии отображается только содержимое страницы — заголовок сайта, навигация и нижний колонтитул скрыты.