AIEd 知识库AIEd KB
本页内容

本页面已译为中文。文章页面仍以英文撰写。 阅读本页的英文版本

概念

自适应学习

创建 2026-08-09 · 更新 2026-10-09

本页是英文页面的机器翻译，尚未经母语者审校。

自适应学习——依据个体学习者特征与表现来调整内容、节奏与教学策略的人工智能驱动教育系统。自适应学习是大量教育中的人工智能研究的操作性目标：用学生模型来个性化教学。

值得思考的问题

  • “自适应”“个性化”“个体化”与“定制化”学习常被互换使用——但研究表明它们并不相同。你假设每个词意味着什么，这些假设又可能在哪里出错？
  • 一个自适应系统依据一个关于你知道什么的模型来调整内容与难度。如果那个模型建立在关于你学习的浅层或不可靠的信号之上，会出什么问题？
  • 一个关键发现是，从正确答案推断掌握的系统可能过早停止练习——在你学会何时应克制某个行动之前。你能想到一种技能，反复“做对”却仍让你在真实情境中手足无措吗？
  • 过度适应可能移除学生深入学习所需的生产性挣扎。如果人工智能在你一挣扎的那一刻就把事情变简单，学习者到底失去了什么？
  • 元分析表明，适应机制——而非具体的工具代际——驱动学习增益。如果“如何”比“哪个工具”更重要，你在选择自适应软件时应当看什么？
  • 基于 LLM 的导学系统如今能适应语言与解释风格，而不只是难度。个性化解释一件事的方式何时有助于学习，何时又可能悄然削弱学习者自身的能动性？

引言

核心机制

  • 测量—建模—适应循环：知识追踪估计学生知道什么，学生建模表征学习者，系统据此调整难度、内容与反馈。
  • 规模化的个性化：个性化学习系统用自适应算法为每个学生提供独一无二的学习路径。DeepTutor与小学数学分数导学在实践中展示了自适应的个性化。
  • 内容排序：自适应预测试与课程计划变换器优化所呈现内容的顺序与类型。
  • 智能导学系统整合：智能导学系统是典范的自适应学习平台，把诊断与适应结合在一起。
  • **AutoML 驱动的画像与诊断：**传统的教育模型难以处理多来源、异质的学习行为数据，这限制了学习者画像与诊断模型的开发。一个由自动化机器学习驱动的个性化神经认知架构搜索框架，把多模态教育数据与异质方法整合，生成针对异质学习者画像量身定制的诊断模型，并支持对学习过程的动态而非静态分析。

有效性证据

本知识库记录的证据是混合的：当适应建立在可靠的学生模型上时，自适应系统改善结果，但校准不良的适应可能损害学习。个性化研究区分有效的适应与表面的定制。系统综述发现，“自适应”“个性化”“个体化”与“定制化”学习的使用并不一致——因此效应量在很大程度上取决于适应如何被操作化，而该领域呼吁一个统一的框架。

一项遵循 PRISMA 2020 的综述把 959 条记录筛到 22 项高等教育干预，把自适应路径与推荐系统算作主要的人工智能应用，但多数研究改善的是既有实践而非变革它（AlSheikh 等（2026））。

**驱动适应的是教学法基础，而非技术能力。**一项对 127 项智能导学研究的 15 年综述发现，多数系统围绕技术能做什么而非一个明示的教学原则构建，并给出智能导学系统的平均增益约为 20%，而人类导学最高达 98%（Zerkouk 等（2025））。

在一项为期两年的学区 RCT 中，约束性的瓶颈是采用率而非适应机制：把报名压缩为一步，仅凭设计变更就把首次会话的采用率从约 45% 提到 83%，而意向处理增益随采用率上升而增长（Oreopoulos 等（2026））。

一项遵循 PRISMA 的、覆盖 44 项研究的综述发现，参与度文献偏向行为参与、在智能体参与上最薄，并报告了一种新奇效应——在关于 ALEKS 与 W-Pal 的纵向研究中，一旦工具的新鲜感消退，参与度随时间下降（Simon、Zeng 与 Fryer（2026））。

人工智能时代：基于 LLM 的适应及其风险

生成式人工智能扩展了自适应系统能做的事——对话式智能体式导学系统、基于RAG（检索增强生成）锚定的内容，以及由大语言模型（LLM）驱动的导学——它们适应的不只是题目难度，还有语言与解释风格（如LearnMate-2、DeepTutor、多智能体自适应导学）。然而，基于 LLM 的适应引入新的风险：没有可靠的学生模型，适应可能建立在浅层信号上；过度适应可能减少学生所需的生产性挣扎（见合意困难、认知卸载）；而个性化与保全学习者能动性之间的平衡是一个开放的设计问题（见智能体式人工智能）。有一种由学习者请求的适应变体完全不需要任何学生模型：在 Sidorkin（2026）的研究生课程中，阅读材料只在学生提出追问、要求重构、深化、简化或本地化时才调整，而面向理解的请求可靠地产出更密集的脚手架（比基线文本多 3.4 到 8.7 倍的定义性标记），这就是为什么要求每个阅读至少三个追问，把材料变成了交互。它也把适应的负担移回学习者身上：这里的适应只在学生知道自己该要求什么时才发生。

与个性化学习和智能导学的关系

自适应学习常与个性化学习混为一谈，但二者有别。自适应学习是机制——基于学习者模型对内容、节奏与难度的实时调整。个性化学习是更宽的目标，即把整个学习体验针对个人裁剪，而实时适应是其一种实现。自适应系统是走向个性化的典范手段。智能导学是经典的平台：智能导学系统把诊断（学生建模、知识追踪）与适应结合，而基于 LLM 的导学系统以对话方式适应。与个性化学习一起，自适应学习是学习者建模与自适应教学家族的应用侧成员——消费由学生建模、知识追踪与认知诊断产出的学习者表征。

研究证据

  • 关于自适应加人工智能工具的元分析证据。一项世界银行的元分析在共同量表上合并了 14 项RCT中的自适应计算机辅助学习、智能导学系统与生成式人工智能，估计平均学习增益约 0.125 个标准差，而两代技术之间没有显著差异——证据表明驱动增益的是适应机制，而非具体的工具代际。

  • 在动态领域中比较自适应算法。基于图的智能导学系统研究在一个基于图的知识表征框架中，为动态课程比较了多种自适应学习算法（包括贝叶斯知识传播与直觉主义模糊逻辑）。

  • 强化学习作为一种适应机制，经实证描摹。Riedmann、Schaper 与 Lugrin（2025）综合了 89 项教育中的强化学习研究，发现适应分为与内容相关的（教学排序／内容排程，n = 53）和与引导相关的（提示、反馈、活动选择，n = 36）机制——强化学习在引导性适应上对基线取得统计显著优越性的频率，高于在内容排程上。他们建议在自适应学习中使用免模型强化学习，并告诫在所综述的研究中，经典强化学习的表现优于深度强化学习。

  • 基于正确性的适应可能过早停止练习。An、McLaren 与 Stamper（2026）发现，从正确性推断掌握的自适应系统，有在学习者遇到“所学行动应当被克制”的情境之前就终止练习的风险——使欺骗性过度泛化无从被发现。他们建议在掌握性停止规则触发之前纳入“不作为”检测任务，使适应检验的是条件性理解（知道何时克制一个行动），而不只是正确性。

  • **掌握的一连串答对并不是持久的学习。**在一项有 6,000 名中学生的实地实验中，一个人工智能支持的“三连对”掌握规则把平台定义的达成度提高了约 28.7 个百分点，却没有改善一周后的延迟测验，因此掌握指标需要对照延迟学习来验证，而不能代替它（Oreopoulos 等（2026））。

  • 适应认知参与的类型，而不只是难度。Tithi 等（2026）发现，BKT 与深度强化学习策略分配引导式（主动）或含错（建构）样例，在一个 113 名学生的逻辑导学系统中都胜过随机分配（后测 72.3 与 72.5 对 65.7），其中 BKT 对低先前知识的学生最有利，而深度强化学习对高的最有利。

  • **更多反馈不是更好的反馈。**在一门为期八周、有 194 名学生的自适应随机过程课程中，指令性、信息性与变革性反馈被吸收的方式不同，而变革性反馈与认知过载相关，而非与更好的调节相关——适应必须匹配学习者的阶段与需要，而不是把反馈密度最大化（Mejeh 与 Fromm（2026））。

  • 参与画像作为适应的目标。An、Hammock 与 Goel（2025）追踪了 315 位在线学习者在 VERA 中构建 822 个模型的过程，把他们的参与分为观察、建构与探索画像，发现学习者倾向于从聚焦建构的行为走向更完整的、由假设驱动的探索，而观察贯穿各阶段持续存在。他们主张，自适应与个性化设计应当识别这些画像，并把反馈对准目标（例如推荐相似模型，或支持更深的概念理解），使表面层的观察者走向更具整合性的完整周期建模。

  • **一个被读而未被写的记忆不是适应。**CoLearn 的冻结记忆对照在读取学习者画像的同时提供固定题目，针对真正薄弱技能的题目份额从 0.72 降到 0.57，最终掌握误差高于自适应条件（He 等（2026））。

  • 增益来自排序，而不是更聪明的导学系统。Chung 等（2026）用 LLM 引导的强化学习训练了一个个性化导学系统，并在台北十所高中的一门为期五个月的 Python 课程中部署，把 770 名学生随机分配到自适应与固定“由易到难”的题目序列之间。自适应排序把面对面的、无辅助的期末成绩提高了 0.156 个标准差（加入控制后 0.150 个标准差）——而中介分析把这一效应几乎完全归因于参与（经任务时长 0.185 个标准差，经尝试次数 0.149 个标准差），而非更易或更难的题目，且增益对初学者与较低层级学校最大。自适应的杠杆是练习的顺序，而不是对话的质量。

  • **把掌握决策保持为基于规则，并把机器学习限于监控。**一个为 30 名六年级学生开设的为期八周的自适应 STEM 项目，以基于规则的掌握支配路径，同时用机器学习追踪表现，使适应可审计，但由于没有前测且每个条件只有一个班，其增益只是一个待本地验证的试点模板（Bin Bakheet 等，2026）。

  • **适应瓶颈属性，而不是薄弱的均值。**知识状态的转移建模把分析性思维排为最难习得、最易丧失——前向转移概率最低 0.31、后向最高 0.22–0.23——这使对被标记属性的重练成为比整体掌握更锐利的适应目标（Feng 与 Huang（2026））。

  • 从过程序列适应，而非聚合分数。Wong、Bulathwela 与 Cukurova（2026）通过挖掘 65 名学生三人组对话轮次的顺序导出脚手架规则，把自适应学习从聚合的行为或表现测量移向个体过程序列；最大化的脚手架提高了任务内行为，但也带来了脚本化，且该设计尚未被检验。

关联概念

关联文章

元数据

学习与教学脚手架
技术与方法认知诊断, 智能辅导, 知识追踪, 学习分析, 大语言模型（LLM）, 个性化学习, 学习者建模与自适应教学
SourceHistoryEditChat

嵌入此页

复制下面的代码，将本页嵌入学习管理系统或其他网站。嵌入版本只显示页面内容 — 网站的页眉、导航和页脚会被隐藏。