Персоналізоване навчання

Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.

Персоналізоване навчання — пристосовування освітнього досвіду до індивідуальних профілів здобувачів, зокрема попередніх знань, темпу навчання, вподобань і афективних станів. ШІ дає змогу персоналізувати в масштабі, хоч розрив між персоналізацією системи та персоналізацією, сприйнятою здобувачем, залишається відкритою проблемою вимірювання. Поряд із адаптивним навчанням та інтелектуальним репетиторством, воно є одним із членів сторони застосування родини моделювання здобувачів та адаптивної інструкції — споживаючи моделі здобувачів, щоб адаптувати інструкцію.

Питання для роздумів

• Коли ви думаєте про «персоналізоване навчання», чи уявляєте ви зміст, пристосований до темпу здобувача, або до його обраних цілей? Сторінка стверджує, що це глибоко різні речі (одноманітні результати через різноманітні шляхи проти різноманітних результатів). Що ви цінуєте більше, і чому?
• Сторінка відрізняє персоналізоване навчання (мету) від адаптивного навчання (один механізм). Чи можете ви придумати персоналізацію, яка не включає адаптацію в реальному часі, — і чи вона все ще зараховується?
• Система може адаптуватися, а здобувач ніколи не відчує себе впізнаним. Коли ви відчували, що вас «персоналізували», не відчуваючи себе справді пізнаним? У чому різниця?
• Сторінка позначає, що надмірна персоналізація може залишити здобувачів у смугах низьких очікувань. Як добре задумане пристосування ШІ може випадково знизити стелю для здобувача?
• Персоналізація потребує детальних даних про здобувача; конфіденційність потребує мінімізації даних. Де ви проводите межу між «достатньо даних, щоб адаптуватися» і «настільки багато, що здобувач залишається незахищеним»?
• Що мав би ШІ пам'ятати про вас між сеансами, щоб справді персоналізувати ваше навчання — і які є ризики того, що він пам'ятатиме ці речі?

Вступ

Пристосовування освітнього досвіду до індивідуальних профілів здобувачів, зокрема попередніх знань, темпу навчання, вподобань і афективних станів. ШІ дає змогу персоналізувати в масштабі, хоч розрив між персоналізацією системи та персоналізацією, сприйнятою здобувачем, залишається відкритою проблемою вимірювання.

• Mishra et al. відрізняють дві форми персоналізації з глибокими історичними корінням — одноманітні результати, досягнуті через різноманітні шляхи (від машин для навчання Скіннера до репетиторства опанування в стилі Khan Academy), проти різноманітних, обраних здобувачем результатів, — що відображають натяк контролю проти агентності в цій галузі.

Архітектури для персоналізації, керованої ШІ

Поздовжня пам'ять (PersonaVLM → освіта)

Nie et al. (2026) розробили архітектуру довгострокової пам'яті Мультимодальний ШІ (PersonaVLM), яка підтримує узгодженість персони між взаємодіями. Відображена на освіту, вона дає змогу системам репетиторства пам'ятати Хибні уявлення про AI здобувача, уподобані пояснення та історію прогресу між сеансами — вирішуючи критичний дефіцит у тьюторах-чат-ботах без стану.

Субстрат персоналізації, нативний для агентів (DeepTutor)

Ma et al. (2026) проєктують кожну функцію DeepTutor: Towards Agentic Personalized Tutoring так, щоб вона ділила спільний субстрат персоналізації, а не прикріплювала персоналізацію до реактивних інструментів. Ця архітектура забезпечує узгодженість між модальностями: той самий профіль здобувача керує розв'язуванням задач, генерацією запитань і спільним письмом.

Соціальна персоналізація мультиагентами (MAIC)

Yu et al. (2024) персоналізують не лише зміст, а й соціальний контекст. Архетипи однокласників (Жартівник, Глибокий мислитель, Нотатник, Допитливий розум) створюють різноманітну динаміку навчання від однолітків, узгоджену з індивідуальними потребами здобувачів.

AutoML для портретів здобувачів

Персоналізація є центральною метою для покращення якості освіти, проте обробка даних про навчальну поведінку з різних джерел залишається проблемою. Рамка персоналізованого пошуку нейрокогнітивної архітектури, керована автоматизованим машинним навчанням, будує портрети здобувачів і генерує діагностичні моделі для гетерогенних профілів здобувачів, інтегруючи багатомодальні дані, щоб вийти за межі статичних результатів іспитів.

Статична база знань не може персоналізувати: онтології розвиваються повільно і погано обробляють невизначеність, тож архітектура узгоджує репрезентацію з типом знань — декларативні — з онтологіями, процедурні — з правилами, невизначені — з нечіткими або ймовірнісними онтологіями, неявні — з аналітикою та машинним навчанням, — і надає перевагу системі малих відображених онтологій перед однією монолітною моделлю (Ivanova, 2026).

Зв'язок із адаптивним навчанням та інтелектуальним репетиторством

Персоналізоване навчання часто плутають з адаптивним навчанням, але це не одне й те саме. Адаптивне навчання стосується механізму — системи, що налаштовує зміст, темп і складність у реальному часі на основі моделі здобувача. Персоналізоване навчання — це ширша мета — пристосування всього навчального досвіду (змісту, шляхів, темпу, вподобань, цілей) до індивіда, з якого адаптація в реальному часі є однією реалізацією. Адаптивні системи є засобом для персоналізації, але персоналізацію можна досягти і через статичні профілі здобувачів, шляхи на основі вибору або пристосування людським тьютором, яке не адаптується в реальному часі.

Огляд PRISMA 2020 22 втручань у вищій освіті розміщує підтримку персоналізованого навчання та адаптивні шляхи серед домінантних випадків використання ШІ, проте більшість реалізацій покращувала наявну практику, а не перетворювала її (AlSheikh et al. (2026)).

Інтелектуальне репетиторство стоїть посередині: ITS є канонічними адаптивними платформами, які надають персоналізовану інструкцію через структуроване моделювання студентів, тоді як тьютори на основі Великі мовні моделі (LLM) персоналізують розмовно. Усі три є членами сторони застосування родини моделювання здобувачів та адаптивної інструкції — вони споживають репрезентації здобувачів, створені моделюванням студентів, Відстеження знань і Когнітивна діагностика, щоб вирішити, чому вчити далі. Ця відмінність має значення для оцінювання: дослідження, які позначають систему «адаптивною», «персоналізованою» або «індивідуалізованою» як взаємозамінні (див. нижче), можуть приховувати, чи випливає заявлена вигода з адаптації в реальному часі, вибору здобувача чи пристосування змісту.

Проблеми вимірювання

• Системна проти сприйнятої персоналізації — система може адаптуватися, а здобувач не відчувати себе впізнаним

• Поздовжня дійсність — вигоди персоналізації можуть згасати, якщо профілі стають застарілими або переобладнаними

• Ризики справедливості — надмірна персоналізація може залишити здобувачів у смугах низьких очікувань

• Ризики упередженості — зумовлювання атрибутами студента може кодувати стереотип: за незмінних есеях зворотний зв'язок для студентів, позначених за расою, мовою чи інвалідністю, ставав більш похвальним і менш критичним (Tan, Phalen & Demszky (2026)).

Персоналізація та оцінювання

Персоналізація та Оцінювання тісно пов'язані в навчанні, керованому ШІ. Адаптивна персоналізація залежить від тривалого формативного вимірювання того, що знає здобувач (через Відстеження знань, Моделювання здобувача та адаптивне навчання і Когнітивна діагностика), щоб вирішити, що адаптувати далі, — тож надійність сигналу Оцінювання безпосередньо обмежує якість персоналізації. Навпаки, коли підсумкове оцінювання персоналізується для кожного здобувача, справедливість і порівнянність стають важчими для встановлення. Дослідження дослідження бази знань попереджає проти надмірного пристосування до поверхневих або шумних сигналів: адаптивні системи, які неправильно вимірюють здобувача, можуть персоналізувати способами, які зменшують навчання, а не підтримують його, і студентів, нативних для ШІ, чиє самооцінювання є ненадійним («відсутній когнітивний базис»), важче точно моделювати.

Персоналізація в епоху ШІ

Найсильніші докази, що це занепокоєння не є гіпотетичним, походять від трихвильового поздовжнього дослідження 486 китайських студентів першого циклу (Li, Lin & Qiu, 2026), яке виявило, що чим більш персоналізованим студенти сприймали своє адаптивне середовище ШІ, тим нижчим було їхнє саморегульоване навчання — «парадокс персоналізації». Зрушення в академічних емоціях несли більшу частину ефекту: зустріч із адаптивним середовищем передбачала менше задоволення і більше тривожності та нудьги, і ці емоційні зміни разом пояснювали приблизно половину асоціації між персоналізацією і зменшеною саморегуляцією. ШІ-грамотність пом'якшувала шкоду, ослаблюючи негативну емоційну асоціацію до незначущості за високої грамотності. Персоналізація тому, схоже, купує адаптивну відповідність ціною власної регуляторної активності здобувача, і дослідження вказує на емоційний досвід — не лише на когнітивне навантаження — як на канал, крізь який платиться ця ціна.

Там, де діагноз за шляхом підтверджений, персоналізація окупається зниженням навантаження, а не покриттям більшого: відновлення найкоротшим шляхом у середньому складало 3.82 кроки і скоротило час навчання на 22.0% (57.6 проти 73.8 хвилин, причому когнітивне навантаження несло 53.7% ефекту посттесту (Feng & Huang, 2026)).

Докази для інструмента самі можуть бути негативними в малому масштабі: у п'ятиденному дослідженні дробів у початковій школі (фінальне n = 22) група зі звичайною практикою показала значно більші прирости розуміння, ніж група адаптивного Mathbot на основі ШІ, і автори позначають сплутування рівнем класу, вгадування та вартість ліцензування як обмеження — мітка «адаптивний» не несе жодного ефекту (Holman (2024)).

Підсилене навчання є окремим механізмом персоналізації, і Riedmann, Schaper & Lugrin (2025) відображають його емпіричний послужний список: їхній огляд PRISMA 89 досліджень RL в освіті виявляє, що персоналізація RL зосереджена в Вища освіта і Математична освіта, з адаптацією, реалізованою здебільшого як планування змісту (n = 53) або пов'язана з керівництвом персоналізація, як-от підказки та зворотний зв'язок (n = 36). Вони повідомляють, що політики RL перемагали неадаптивні базові лінії найчастіше на пов'язаній із керівництвом адаптації та на афективних змінних (63% перевірених досліджень), і що навчальний приріст — особливо нормований навчальний приріст — був найефективнішим джерелом винагороди, — практичне керівництво для проєктування сигналів винагороди, які персоналізують на користь справжнього навчання, а не залученості.

Wang et al. (2026) показують, що мета винагороди сама є вибором персоналізації: тренер RL, навчений на незалежній компетентності здобувача, скоротив час кола на 27.9% (p = 0.005), тоді як засноване на правилах згасання не дало надійної зміни, і автори стверджують, що агенти кодування, оптимізовані на продуктивність задач, не мають стимулу для того, що людина зберігає.

Bernstein and Sibia (2026) загострюють відмінність між персоналізацією інтересів та персоналізацією експертизи: узгоджені з інтересами аналогії GenAI повідомлялися як більш залучаючі і запам'ятовувані, але не рівномірно більш довірені, і деякі студенти надавали перевагу загальному технічному поясненню, навіть коли аналогія узгоджувалася з їхнім заявленим інтересом, задля самодостатності та повноти (Flawed but Memorable: Student Critical Reception of Interest-Personalized GenAI Analogies in Computing Education). Їхня рекомендація з проєктування — персоналізувати через структуру вихідної області і запитувати у студентів, що вони вже знають, а не лише що їх цікавить, оскільки саме обізнаність із вихідною областю дозволяє здобувачеві перевіряти аналогію, — і давати здобувачам контроль над персоналізацією через меню аналогій, добровільну участь або пропонування загальних і персоналізованих версій разом. Sidorkin (2026) документує подальше парування на рівні матеріалів курсу, а не окремих пояснень: тижневі читання, генеровані на запит для аспірантського курсу освітнього лідерства, пристосовувалися водночас за інтересом (сектор, професійна роль, місцеві приклади) і рівнем розуміння (темп, визначення, глибина), і отримані журнали ділили спільний хребет (косинусна схожість TF-IDF 0.50 до 0.61), що він читає як шаблон із налаштовними важелями, а не повний перепис на здобувача. Той самий корпус показує, що пристосування було структурним, але нерівномірним за інтенсивністю: позначки пристосування на рівні артефактів у середньому складали 52.24 на 10 000 слів і коливалися від 38.74 до 74.29 по журналах, тоді як орієнтовані на розуміння підказки давали в 3.4x до 8.7x більше визначень Скаффолдинг, ніж базовий пояснювальний текст.

Третьою віссю персоналізації є мета, і саме її планувальники ШІ обробляють найгірше. Liu et al. (2026) поєднали 2 000 синтетичних персон здобувачів із графом передумов 347 підручників і 4 092 понять і попросили десять LLM планувати крок за кроком, які знання здобувач має вивчати, щоб досягти заявленої цільової одиниці. Моделі створили структурно правильні навчальні програми — DeepSeek-V3.1 досяг 90.9% за дійсністю передумов і галюцинацій, — не спрацьовуючи на їхньому пристосуванні до здобувача: адаптивність не перевершила 44.7%, фінальний відсоток проходження DeepSeek-V3.1 становив 29.5% у базовій освіті і 14.6% у вищій освіті, і прибирання поля опанування з персони коштувало до 26.1 процентних пунктів адаптивності, залишаючи дійсність майже незмінною. Генерація всього шляху за один прохід, а не інтерактивно, підвищувала дійсність на аж до 30.8 пунктів, скорочуючи адаптивність на 28.8. Твердження «персоналізований» є твердженням про відгукування на стан здобувача, і змінна стану — саме та частина, без якої ці планувальники можуть найлегше обійтися — обчислювальний відповідник занепокоєння щодо вимірювання вище.

Четверта вісь — це аудиторія, а не окремий здобувач: Bespoke перегенеровує наявну лекцію для названої професійної групи (охорона здоров'я, фінанси або енергетика), і її експертні оцінювачі оцінили версії, оформлені для галузі, на 0.32 пункти вище за глибиною персоналізації (3.97 проти 3.65), тоді як калібрування аудиторії відставало (3.52). Пристосування до когорти, а не до здобувача, є дешевшою і більш керованою формою персоналізації, але рубрика, якою її вимірювали, оцінювала оцінену відповідність, а не результати здобувачів.

Персоналізація може переважити людського доповідача: у великому онлайн-курсі (493 респонденти) студенти ранжували персоналізовані відео, згенеровані ШІ, вище за не персоналізовані записані людиною (середній ранг 2.26 проти 2.69), і 88.4% ранжували якесь персоналізоване відео першим проти 73.8% для записаного людиною (Tomlinson et al. (2026)).

Мікроперсоналізація, зумовлена підказкою

Basu, Kakar & Goel (2026) показують, що розрив між системною і сприйнятою персоналізацією можна вирішити на рівні відповіді. Їхня рамка для тьютора Jill Watson на основі Великі мовні моделі (LLM)/RAG (генерація з доповненням пошуком) поєднує обрані здобувачем уподобання (абстрагування, багатослівність, сприйняття, обробка, розуміння) з виведеним системою когнітивним попитом (таксономія Блума), щоб створити 96 мікропрофілів, пристосованих на кожній взаємодії через структуроване зумовлювання підказкою — без перетренування, без предметно-специфічного авторства. Це гібрид пристосовуваності (обрання уподобань здобувачем) і адаптивності (системної когнітивної оцінки), що показує, що персоналізація того, як подається зміст, може бути водночас масштабованою і сприйнятною для здобувачів.

Термінологічна неоднозначність

Повторюваною проблемою є те, що «персоналізоване навчання» є широким, слабо визначеним поняттям-парасолькою. Систематичні огляди (Khalifeh et al., 2026) виявляють, що адаптивне навчання, індивідуалізована інструкція, налаштоване навчання і персоналізоване навчання використовуються як взаємозамінні, без універсально прийнятого визначення, — що є джерелом концептуальної неоднозначності, яка ускладнює синтез досліджень і засновану на доказах практику. Галузь дедалі більше закликає до єдиної рамки та визначення, щоб «персоналізований» позначав точне, підтверджене доказами твердження, а не розмиту мітку (пункт, підсилений критикою слабкого використання конструктів бази знань).

Пов’язані поняття

• Адаптивне навчання — Adaptive systems that tailor content, pacing, and difficulty to the learner in real time
• Інтелектуальний тьюторінг — Tutoring systems that model the learner and deliver individualized instruction
• Моделювання здобувача та адаптивне навчання — Representing learner knowledge, skills, and states that drive adaptation
• Відстеження знань — Inferring mastery of knowledge components from performance over time
• Когнітивна діагностика — Diagnosing latent learner knowledge and attributes from responses
• Скаффолдинг — Support and fading calibrated to individual learner needs
• Досвід здобувача — The learner's lived experience of personalization
• Аналітика навчання — Data-driven measurement of learning that informs adaptation
• Формативне оцінювання — Ongoing assessment that signals what to adapt next
• Підсумкове оцінювання — Endpoint assessment whose comparability personalization complicates
• Генеративний ШІ — LLM-based conversational personalization
• Платформа EdTech — Platforms that deliver personalized learning at scale
• Вища освіта — Higher-education context for personalization
• Онлайн-викладання та онлайн-навчання — Online Teaching and Learning
• Системи рекомендацій і навчальні траєкторії

Пов’язані статті

• Bespoke: Generating MOOC-Quality Industry-Personalized Lecture Videos at Scale — Industry-personalized lecture video regeneration from a seed transcript: audience-level tailoring, rated by domain experts (Puech et al. 2026)
• A Prompt-Engineering Approach to Develop Scalable, Flexible, and Real-Time Hybrid Micro-Level Personalization in a General Purpose AI Teaching Assistant — Prompt-engineering micro-personalization of an AI teaching assistant (Basu, Kakar & Goel 2026)
• AI Tutoring is Not a Monolith: What We Actually Know — AI Tutoring is Not a Monolith: What We Actually Know (Stanford SCALE/NSSA brief)
• Control vs. Agency: Exploring the History of AI in Education — Distinguishes two forms of personalization (uniform vs diverse outcomes)
• Redefining personalized learning in the artificial intelligence era: an updated systematic review from 2019 to 2025 — Redefining personalized learning: systematic review
• DeepTutor: Towards Agentic Personalized Tutoring — Agent-native personalization substrate for tutoring
• Ontology-Based Layered Hybrid AI-Driven Knowledge Model for Personalized E-Learning — Ontology-based layered hybrid knowledge model for personalized e-learning
• Exploring Fraction Comprehension and Interest in Elementary Education Through AI-Powered Personalized Learning — Personalized adaptive learning for elementary fractions
• AI Coaching for Accelerating Human Skill Development with Reinforcement Learning — Reinforcement-learning coaching for skill development
• Students Prefer Personalized, AI-Generated Educational Videos over Non-Personalized, Human-Recorded Videos — Students prefer personalized AI-generated videos over non-personalized human-recorded ones (Tomlinson et al. 2026)
• Bayesian cognitive diagnosis optimizes personalized learning paths via mediation of cognitive load and Hidden Markov Model state transitions — Bayesian cognitive diagnosis for personalized learning paths
• Intelligent tutoring in dynamic domains: a graph-based system for comparative analysis of adaptive algorithms — Graph-Based Intelligent Tutoring for Dynamic Domains (2026)
• Instructor and AI Roles in the Chemistry Classroom: Future Science Teachers' Perceptions in a ChatGPT-Enhanced Formative Assessment — Instructor and AI roles in ChatGPT-enhanced formative assessment
• Marked Pedagogies: Examining Linguistic Biases in Personalized Automated Writing Feedback — Marked Pedagogies: bias in personalized automated feedback
• Mapping artificial intelligence integration in higher education: A systematic review using the FACETS and SAMR frameworks — Systematic review: adaptive pathways & recommenders are a top AI integration use case in higher ed
• Reinforcement Learning in Education: A Systematic Literature Review
• Flawed but Memorable: Student Critical Reception of Interest-Personalized GenAI Analogies in Computing Education — Flawed but Memorable: Student Critical Reception of Interest-Personalized GenAI Analogies in Computing Education
• The personalization paradox: how AI-driven adaptive learning environments are associated with college students' — Personalization paradox: perceived adaptive personalization linked to lower self-regulated learning via academic emotions, buffered by AI literacy (Li, Lin & Qiu 2026)
• PersonaPath: Towards Knowledge-Centric Personalized Learning Path Planning — PersonaPath: LLM planners reach 90.9% validity but no model exceeds 44.7% adaptivity when personalizing paths to a stated learner goal (Liu et al. 2026)