AIEd база знанийAIEd KB
На этой странице

Читать эту страницу на английском

Концепции

Персонализированное обучение

Создано 2026-10-13

Автоматический перевод данной английской страницы, не проверенный носителем языка.

Персонализированное обучение — подгонка образовательного опыта под индивидуальные learner profiles, включая предшествующие знания, темп обучения, предпочтения и affective состояния. ИИ делает персонализацию возможной в масштабе, хотя разрыв между персонализацией системой и персонализацией, воспринимаемой учащимся, остаётся открытой измерительной задачей. Наряду с adaptive learning и intelligent tutoring это один из представителей прикладной стороны семейства learner modeling and adaptive instruction — потребляющего модели учащегося для адаптации обучения.

Вопросы для размышления

  • Когда вы думаете о «персонализированном обучении», вы представляете себе контент, подогнанный под темп учащегося, или под его выбранные цели? Страница говорит, что это глубоко разные вещи (единообразные результаты через разнообразные пути против разнообразных результатов). Что вы цените больше, и почему?
  • Страница различает персонализированное обучение (цель) и адаптивное обучение (один механизм). Можете ли вы придумать персонализацию, не предполагающую адаптации в реальном времени, — и считается ли она всё ещё персонализацией?
  • Система может адаптироваться, а учащийся так и не почувствовать признания. Когда вы испытывали, что вас «персонализировали», не чувствуя себя по-настоящему узнанным? В чём разница?
  • Страница отмечает, что чрезмерная персонализация может запереть учащихся в траекториях с низкими ожиданиями. Как благонамеренная подгонка ИИ может случайно снизить потолок для учащегося?
  • Персонализации нужны подробные данные об учащемся; приватности нужно минимизация данных. Где вы проводите черту между «достаточно данных, чтобы адаптироваться» и «столько, что учащийся оказывается раскрыт»?
  • Что ИИ должен помнить о вас между занятиями, чтобы действительно персонализировать ваше обучение, — и каковы риски того, что он это помнит?

Введение

Подгонка образовательного опыта под индивидуальные профили учащегося, включая prior knowledge, темп обучения, предпочтения и аффективные состояния. ИИ делает персонализацию возможной в масштабе, хотя разрыв между персонализацией системой и персонализацией, воспринимаемой учащимся, остаётся открытой измерительной задачей.

  • Mishra et al. различают две формы персонализации с глубокими историческими корнями — единообразные результаты, достигаемые разнообразными путями (от обучающих машин Скиннера — teaching — до тьюторства овладения в стиле Khan Academy), против разнообразных, выбранных учащимся результатов, — что отображается на напряжение в поле между контролем и автономией.

Архитектуры управляемой ИИ персонализации

Продольная память (PersonaVLM → образование)

Nie et al. (2026) разработали архитектуру Мультимодальный ИИ долговременной памяти (PersonaVLM), которая поддерживает согласованность персоны между взаимодействиями. При переносе в образование это позволяет тьюторским системам запоминать Заблуждения об ИИ учащегося, предпочтительные объяснения и историю прогресса между занятиями — устраняя критический дефицит в chatbot-тьюторах без состояния.

Субстрат персонализации, родной для агентов (DeepTutor)

Ma et al. (2026) проектируют каждую возможность DeepTutor: Towards Agentic Personalized Tutoring так, чтобы она разделяла общий субстрат персонализации, вместо того чтобы приделывать персонализацию к реактивным инструментам. Эта архитектура обеспечивает согласованность между модальностями: один и тот же профиль учащегося управляет problem solving, question generation и совместным письмом.

Социальная персонализация мультиагентами (MAIC)

Yu et al. (2024) персонализируют не только контент, но и социальный контекст. Архетипы однокурсников (Шутник, Глубокий мыслитель, Делатель заметок, Пытливый ум) создают разнообразную динамику взаимного обучения, подогнанную под индивидуальные потребности учащегося.

AutoML для портретов учащегося

Персонализация — центральная задача для повышения качества образования, однако обработка разнородных данных об учебном поведении из многих источников остаётся вызовом. Рамка поиска персонализированной нейрокогнитивной архитектуры, управляемая автоматическим machine learning, строит портреты учащегося и генерирует диагностические модели для разнородных профилей учащегося, интегрируя мультимодальные данные, чтобы выйти за пределы статичных результатов экзаменов.

Статическая база знаний не может персонализировать: онтологии развиваются медленно и плохо обрабатывают неопределённость, поэтому архитектура согласует представление с типом знания — декларативное к онтологиям, процедурное к правилам, неопределённое к нечётким или вероятностным онтологиям, неявное к аналитике и машинному обучению, — и предпочитает систему небольших отображённых онтологий одной монолитной модели (Ivanova, 2026).

Отношение к адаптивному обучению и интеллектуальному тьюторству

Персонализированное обучение часто путают с adaptive learning, но это не одно и то же. Адаптивное обучение означает механизм — систему, подстраивающую содержание, темп и сложность в реальном времени на основе модели учащегося. Персонализированное обучение — более широкая цель — подгонка всего опыта обучения (содержание, траектории, темп, предпочтения, цели) под индивида, одним из осуществлений которого является адаптация в реальном времени. Адаптивные системы — средство для персонализации, но персонализация может достигаться и через статичные профили учащегося, траектории на основе выбора или подгонку человеческим тьютором, которые не адаптируются в реальном времени.

Обзор PRISMA 2020 22 вмешательств в высшем образовании помещает поддержку персонализированного обучения и адаптивные траектории среди доминирующих случаев использования ИИ, однако большинство внедрений улучшали существующую практику, а не трансформировали её (AlSheikh et al. (2026)).

Intelligent tutoring находится между ними: ITS — канонические адаптивные платформы, доставляющие персонализированное обучение через структурированное моделирование студента, тогда как тьюторы на базе Большие языковые модели (LLM) персонализируют разговорно. Все три — представители прикладной стороны семейства learner modeling and adaptive instruction — они потребляют представления об учащемся, произведённые student modeling, Трассирование знаний и Когнитивная диагностика, чтобы решить, чему учить дальше. Различие важно для оценки: исследования, которые взаимозаменяемо помечают систему «адаптивной», «персонализированной» или «индивидуализированной» (см. ниже), могут скрыть, проистекает ли заявленная польза от адаптации в реальном времени, выбора учащегося или подгонки содержания.

Измерительные задачи

  • Системная против воспринимаемой персонализации — система может адаптироваться, а учащийся не чувствовать признания

  • Продольная достоверность — польза персонализации может убывать, если профили устаревают или переобучаются

  • Риски Equity — чрезмерная персонализация может запереть учащихся в траекториях с низкими ожиданиями

  • Риски смещения — обусловливание по атрибутам студента может кодировать стереотип: при удержании эссе постоянными, обратная связь для студентов, отмеченных расой, языком или инвалидностью, становилась более хвалебной и менее критической (Tan, Phalen & Demszky (2026)).

Персонализация и оценивание

Персонализация и Оценивание тесно связаны в управляемом ИИ обучении. Адаптивная персонализация зависит от непрерывного formative измерения того, что знает учащийся (через Трассирование знаний, Моделирование учащегося и адаптивное обучение и Когнитивная диагностика), чтобы решить, что адаптировать дальше, — поэтому надёжность сигнала Оценивание напрямую ограничивает качество персонализации. Наоборот, когда summative assessment персонализируется для каждого учащегося, fairness и сравнимость становятся труднее установить. research базы знаний предупреждает против чрезмерной адаптации к поверхностным или шумным сигналам: adaptive системы, которые неверно измеряют учащегося, могут персонализировать способами, которые снижают обучение, а не поддерживают его, а студентов, родных для ИИ, чья самооценка ненадёжна («отсутствующая когнитивная базовая линия»), труднее моделировать точно.

Персонализация в эпоху ИИ

Сильнейшее доказательство того, что эта озабоченность не гипотетична, исходит из three-wave longitudinal study of 486 Chinese undergraduates (Li, Lin & Qiu, 2026), которое обнаружило, что чем более персонализированной студенты воспринимали свою адаптивную среду на ИИ, тем ниже их self-regulated learning — «парадокс персонализации». Сдвиги в академических эмоциях несли большую часть эффекта: встреча с адаптивной средой предсказывала меньшее enjoyment и большую тревожность и скуку, и эти эмоциональные изменения вместе объясняли примерно половину связи между персонализацией и сниженной саморегуляцией. AI literacy смягчала вред, ослабляя негативную эмоциональную связь до незначимости при высокой грамотности. Персонализация поэтому, по-видимому, покупает адаптивное соответствие ценой собственной regulatory активности учащегося, и исследование указывает на эмоциональный опыт — а не только на когнитивную нагрузку — как на канал, через который эта цена платится.

Там, где диагноз, лежащий за траекторией, валидирован, персонализация окупается снижением нагрузки, а не покрытием большего: восстановление по кратчайшему пути в среднем составляло 3,82 шага и сокращало время обучения на 22,0% (57,6 против 73,8 минут), причём когнитивная нагрузка несла 53,7% эффекта на посттесте (Feng & Huang, 2026).

Доказательства для инструмента могут быть сами по себе отрицательными в малом масштабе: в пятидневном испытании дробей в начальной школе (итоговое n = 22) группа обычной практики показала значимо больший прирост в понимании, чем группа с адаптивным Mathbot на ИИ, и авторы отмечают помехи по уровню класса, угадывание и стоимость лицензии как ограничения — метка «адаптивный» не несёт в себе эффекта (Holman (2024)).

Обучение с подкреплением — отдельный механизм персонализации, и Riedmann, Schaper & Lugrin (2025) отображают его эмпирическую историю: их обзор PRISMA 89 исследований RL в образовании обнаруживает, что персонализация через RL сосредоточена в Высшее образование и Преподавание математики, причём адаптация осуществляется главным образом как планирование содержания (n = 53) или персонализация, связанная с руководством, такая как подсказки и обратная связь (n = 36). Они сообщают, что политики RL чаще всего превосходят неадаптивные базовые линии по адаптации, связанной с руководством, и по affective переменным (63% проверенных исследований), и что прирост в обучении — особенно нормированный прирост в обучении — был наиболее эффективным источником награды, — практическое руководство для проектирования сигналов награды, которые персонализируют к подлинному обучению, а не к engagement.

Wang et al. (2026) показывают, что цель награды сама есть выбор персонализации: коуч на RL, обученный на независимой компетенции учащегося, сократил время круга на 27,9% (p = 0,005), тогда как снятие на основе правил не дало надёжного изменения, и авторы утверждают, что агенты программирования, оптимизированные на результативность задачи, не имеют стимула к тому, что человек удерживает.

Bernstein and Sibia (2026) уточняют различие между персонализацией по интересу и персонализацией по экспертности: аналогии GenAI, согласованные с интересом, описывались как более вовлекающие и запоминающиеся, но не единообразно более достоверные, и некоторые студенты предпочитали общее техническое объяснение даже когда аналогия соответствовала их заявленному интересу — ради самодостаточности и полноты (Flawed but Memorable: Student Critical Reception of Interest-Personalized GenAI Analogies in Computing Education). Их рекомендация по проектированию — персонализировать через структуру исходной области и спрашивать студентов о том, что они уже знают, а не только о том, что их интересует, поскольку знакомство с исходной областью — это то, что позволяет учащемуся исследовать аналогию, — и давать учащимся контроль над персонализацией через меню аналогий, добровольное согласие или предложение общего и персонализированного вариантов вместе. Sidorkin (2026) документирует дальнейшее спаривание на уровне материалов курса, а не отдельных объяснений: еженедельные чтения, генерируемые по требованию для магистерского курса по руководству в образовании, подгонялись сразу по интересу (сектор, профессиональная роль, локальные примеры) и по уровню понимания (темп, определения, глубина), и полученные логи разделяли общий остов (косинусное сходство TF-IDF от 0,50 до 0,61), что он читает как шаблон с регулируемыми ручками, а не полную перезапись на каждого учащегося. Тот же корпус показывает, что подгонка была структурной, но неровной по интенсивности: маркеры подгонки на уровне артефакта в среднем составляли 52,24 на 10 000 слов и варьировались от 38,74 до 74,29 по логам, тогда как ориентированные на понимание промпты давали в 3,4–8,7 раза больше определительного Скаффолдинг, чем базовый объяснительный текст.

Третья ось персонализации — цель, и это тот вход, с которым планировщики ИИ справляются хуже всего. Liu et al. (2026) связали 2 000 синтетических персон учащихся с графом предварительных требований из 347 учебников и 4 092 концептов и попросили десять ЛЛМ шаг за шагом спланировать, каким знаниям учащийся должен учиться, чтобы достичь заявленного целевого модуля. Модели произвели структурно здравые учебные планы — DeepSeek-V3.1 достиг 90,9% по достоверности «предварительные требования и галлюцинации», — не сумев адаптировать их к учащемуся: адаптивность не превысила 44,7%, итоговый процент прохода DeepSeek-V3.1 был 29,5% в базовом образовании и 14,6% в высшем образовании, а удаление поля овладения из персоны стоило до 26,1 процентных пункта адаптивности, оставив достоверность почти неизменной. Генерация всего пути за один проход вместо интерактивной повышала достоверность на целых 30,8 пункта, сокращая адаптивность на 28,8. Утверждение «персонализировано» — это утверждение об отклике на состояние учащегося, и переменная состояния — та часть, без которой эти планировщики легче всего обходятся — вычислительный аналог измерительной озабоченности выше.

Четвёртая ось — аудитория, а не индивидуальный учащийся: Bespoke регенерирует существующую лекцию для названной профессиональной группы (здравоохранение, финансы или энергетика), и её эксперты-оценщики дали версиям, обрамлённым через индустрию, на 0,32 балла выше по глубине персонализации (3,97 против 3,65), тогда как калибровка по аудитории отставала (3,52). Подгонка под когорту, а не под учащегося — более дешёвая и более решаемая форма персонализации, но рубрика, которая её измеряла, оценивала оцениваемое соответствие, а не результаты учащихся.

Персонализация может перевесить живого ведущего: на крупном онлайн-курсе (493 респондента) студенты поставили сгенерированные ИИ персонализированные видео выше неперсонализированных, записанных человеком (средний ранг 2,26 против 2,69), и 88,4% поставили какое-либо персонализированное видео на первое место, против 73,8% для записанных человеком (Tomlinson et al. (2026)).

Микроперсонализация, обусловленная промптами

Basu, Kakar & Goel (2026) показывают, что разрыв между системной и воспринимаемой персонализацией можно устранить на уровне отклика. Их рамка для тьютора Jill Watson Большие языковые модели (LLM)/RAG (генерация с дополненным поиском) сочетает выбранные учащимся предпочтения (абстракция, многословность, восприятие, обработка, понимание) с выведенным системой когнитивным требованием (Bloom's Taxonomy), чтобы производить 96 микропрофилей, адаптируемых на каждом взаимодействии через structured prompt conditioning — без переобучения, без domain-specific создания. Это гибрид adaptability (выбор предпочтений, управляемый учащимся) и адаптивности (когнитивная оценка, управляемая системой), показывающий, что персонализация того, как представляется контент, может быть и масштабируемой, и воспринимаемой учащимися.

Терминологическая неоднозначность

Повторяющаяся проблема состоит в том, что «персонализированное обучение» — широкий, нестрого определённый зонтичный термин. Систематические обзоры (Khalifeh et al., 2026) обнаруживают, что adaptive learning, индивидуализированное обучение, кастомизированное обучение и персонализированное обучение используются взаимозаменяемо, без универсально принятого определения, — источник концептуальной неоднозначности, осложняющий синтез исследований и основанную на доказательствах практику. Поле всё чаще призывает к единой рамке и определению, чтобы «персонализированное» обозначало точное, подтверждённое доказательствами утверждение, а не расплывчатую метку (момент, подкреплённый critique of weak construct use базы знаний).

Связанные концепты

Связанные статьи

Метаданные

УровеньHigher Ed, K 12
Целевая аудиторияLearners
Обучение и преподаваниеСкаффолдинг
Технологии и методыАдаптивное обучение, Генеративный ИИ, Интеллектуальное тьюторство, Большие языковые модели (LLM), Персонализированное обучение
Основы ИИ в образованииИИ в образовании
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.