摘 要：智适应系统和生成式人工智能的有机结合正在重塑教育，这是经济全球化、技术变革的新诉求，也是人类文明进步发展的必然阶段。在回顾智适应学习的历史发展和技术优势的基础上，探讨全球视野下智适应学习的研究进展，明晰智适应学习的五个层级，依次为互联网教育、智能工具、智适应学习、高级智适应学习、完全智适应学习。在技术层面，重点介绍混合专家教育大模型的核心开发模块，讨论如何构建大模型与智适应知识图谱、推荐系统之间的相互赋能，有机结合，最终形成以大模型为核心的人工智能体。同时依托智适应学习应用的技术架构，呈现其应用的典型案例。在此基础上，围绕智适应学习的技术应用探索，梳理和归纳智适应学习的未来愿景：一是构建全民科学教育的标准;二是创造人工智能与人类智慧的同步进化;三是通过高质量人才培养服务教育强国建设。
关键词：生成式人工智能；智适应学习；人工智能体；个性化学习；大模型
中图分类号：G434
文献标志码：A
文章编号：1673-8454(2024)05-0055-12
作者简介：顾小清，华东师范大学教授，上海数字化教育装备工程技术研究中心主任，博士(上海 200062);刘桐，华东师范大学教育技术学系博士研究生(上海 200062)
一、大模型推动自适应教育迈向智适应学习
(一)自适应教育：使技术赋能个性化学习成为可能
自适应教育是一种利用技术来促进学习者个性化学习体验的样态，其核心在于个性化学习路径规划、数据驱动决策、及时反馈支持以及学习内容个性化[1][2]。具体来看：首先，自适应学习系统根据学生的学习表现、进度和理解能力，推荐合适的学习材料和任务，让每个学生获得定制化的学习计划，以最适合他们的方式学习。其次，自适应教育系统收集和分析学生的学习数据，以更好地理解每个学生的学习模式和需求，帮助教师做出更加精确的教学决策。再次，自适应系统通常包含多种类型和难度的学习材料和模式，如视频、测验、互动活动等，可以根据学生的需要进行调整。最后，通过为学生提供符合其当前理解水平的材料，自适应教育能够增加学习资源的相关性和吸引力，从而提高学生的参与度和学习动机。总之，自适应教育根据每个学生的独特学习需求、能力和进度，调整教学内容、难度和节奏，目标是提供更加高效、有效且具有吸引力的学习体验，同时减轻教师的工作负担，使他们能够更专注于学生的个性化需求。
(二)智适应学习：生成式人工智能催生的产物
自适应教育的持续发展，主要得益于人工智能(Artificial Intelligent，简称AI)领域的知识图谱[3]和推荐系统[4]等前沿技术实现，尤其是新一代生成式人工智能(Artificial Intelligence Generated Content, 简称AIGC)。在AIGC相关技术的赋能下，对抗生成网络(GAN[5])、变换器模型(Transformer[6])、对比语言图像预训练(CLIP[7])、语音识别模型(SpeechT5[8])、扩散模型(Diffusion[9])、多模态技术等新兴技术的累积融合，催生了以大型语言模型(Large Language Model，简称LLM)及ChatGPT[10]为代表的前沿AIGC产品的暴发。随之，自适应教育正在进化为更加智能化的“智适应学习”，进一步提高教育的质量和效率[11]。
从计算智能(如Transformer)、感知智能(如CLIP、SpeechT5)再到认知智能(如ChatGPT、Sora)的进阶发展来看，AIGC已经为人类社会打开了认知智能的大门[12]。通过大规模数据的学习训练，人工智能具备了对不同领域的通识理解，只需要对模型进行适当的调整修正，就能出色完成真实场景的任务。同时，基于多模态大模型的学生情感解析能力，为智适应学习增添更细腻的个性化教学维度。此外，智适应学习不仅能够提供深度定制化的学习体验，还可以在更广泛的层面上促进学生的全面发展，从而真正实现因材施教。
二、全球视野下智适应学习研究进展
美国代表性机构Duolingo Max[13]采用角色扮演技术，让学生通过模拟情景与AI进行对话，如图1所示。同时，该机构还引入创新的概率模型来生成每个学生针对每个问题的成功率，从而能够个性化地调整题目难度，确保挑战适中，既能够保持学生的信心，又不至于让学生感到过度困难。这种方法不仅增强了学生的语言实践能力，而且通过AI的反馈，学生能了解到如何使语言更加地道，并得到关于如何提高语言能力的具体建议。
图1 Duolingo Max的Roleplay App和填空造句
注：左图展示的是Roleplay App产品界面，AI和用户分别扮演迷失的人和好心路人，对话将围绕着如何帮助一位在巴黎迷失的游客而展开。右图展示的是西班牙语的填空造句题，图中需要完成的是“我喜欢米饭配鸡肉”，题目的难度和风格根据用户画像和交互历史中类似题目的回答正确率匹配
美国硅谷可汗学院(Khan Academy)研发的Khanmigo[14]，是使用个性化大模型对话形式的平台，旨在启发学生思考。Khanmigo深入理解学生的能力，并帮助其构建知识，通过答疑解惑的方式促进学习，如图2所示。这种方法重视学生的个别差异，通过个性化教学，促进学生对学科知识的深入理解和掌握。
图2 Khanmigo的个性化英语教学
注：文字大意为“2乘以5/12这道题目怎么样解答，作为学生你需要详细地了解它具体是怎么来的，而不是直接知道答案”
爱尔兰的Adaptemy[15]是智适应学习的代表性机构。其属于基于B2B模式的服务性机构，用AI来构建每个学习者的详细档案，在学习中逐渐理解学习者在整个课程中的能力，检测他们的情绪状态、疑惑的成因，并预测学习者对知识的掌握程度。此外，Adaptemy还通过创建关于学习者能力和学习过程的精确模型进行实时个性化推荐，并根据学习者的具体需求，提供实时的个性化学习建议，包括诊断性问题序列、个性化反馈信息和适应性学习路径。总的来说，欧美AI智适应学习通过高度个性化的学习体验，结合先进的技术和算法，正在为学生提供更加有效和富有趣味性的学习方法，通过创新学习环境的构建，改善教育质量。
澳大利亚的Smart Sparrow利用约束模型(Constraint-based Modelling)追踪、分析学生学习过程的反馈，给学生适配最有帮助的内容[16]。日本的PolyGlots通过用AI研究学习行为日志来增强日语词汇记忆的效率[17]。韩国的VISANG也是通过收集学生在交互式学习中的行为，提供个性化反馈，进而提高学习效率[18]。
从全球视野来看，智适应学习的应用探索如火如荼，这种强势增长不仅体现市场的潜力，也反映出市场对智能化个性化教育解决方案的巨大需求[19]。在中国，随着“双减”等政策的实行，智能化个性化教育的需求增加也越来越明显[20]。多年来，中国在智适应学习的教学实践方面积累丰富经验，技术落地的应用探索也较为充分，为全球提供了教育发展的新思路。例如，以松鼠Ai为代表的企业[21][22]，积累了超过百亿的学习行为数据、千亿级知识图谱和题库，不仅可以为教育资源的共享和全球教育模式的创新提供重要支撑，也进一步促进全球教育公平改革与发展[23][24]。
三、智适应学习的典型研究案例
得益于AI的显著计算优势，智适应学习取得蓬勃发展[25][26]。在此情境下，人的潜能可以被无限地挖掘和释放[27]，可以得到类似“小灶教育”“特殊关照”等先前难以获得的教育体验。学习的速率、个人认知的水平和创造力可以在相对短期内得到显著提升，“学习型社会”也将进入全新的发展阶段[28][29]。本文以松鼠Ai的应用实践为案例，展示智适应学习在一线教育过程中的核心技术优势，和对学生学习效率、学习方法和学习思维的重塑。
(一)智适应学习层级
随着AI的快速发展，智适应学习产业已经呈现出百花齐放的态势[30][31]。全球性专业服务公司安永2019年发布智适应学习白皮书[20]，提出智适应学习的智能化水平，在完全依赖真人教师的传统教育(L0)以上，可以划分为五个层级(L1—L5)，如图3所示。
图3 按智能化水平分级的智适应学习
L1级别是互联网教育(Internet Teaching)。这一阶段通过提供远程教学场景如线上直播和测试来提高教学效率，学生知识点的掌握程度可以动态更新，但主导权依然掌握在人手中。
L2级别引入智能工具(AI Tools)。拍照搜题、语音测试等智能辅助工具能够提高效率，在内容上也可自动根据学生表现适配合适难度的题目。
L3级别是部分智适应学习(Partial AI Teaching)。虽然真人教师仍主导教学过程，但AI已经开始辅助教学决策，提供分析与推荐，对学生进行画像描述，并匹配相适应的知识点。
L4级别是高级智适应学习(Advanced AI Tutoring)。AI不仅参与教学环节，而且能够主导整个教学流程。学生在AI的引导下进行学习和练习，而真人教师的角色转变为把关者与指导者。
L5级别是完全智适应学习(Full AI Teaching)。所有教学环节完全由AI负责，完全模拟优秀教师的教学过程，无需人工干预。目前正蓬勃发展的是L5级智适应与AIGC技术的有机融合、交互赋能的更深层次、更具创新活力的智适应学习理念。
(二)智适应学习应用的技术架构及典型案例
结合LLM的技术特点和优势，本文构建大语言模型时代的智适应学习框架，如图4所示。通过LLM深度赋能传统自适应教育，能够对传统的智适应学习进行诊断，学习推荐等应用作进一步的延展(如兴趣培养、情感干预、学习路径智能规划等)。传统自适应教育的基石是大数据(如海量的学习资源、学生的学习行为数据、学生的画像等)，在此基础上，通过知识图谱、推荐系统等学习规划算法，实现自适应的诊断和推荐。而大语言模型的加入，使传统算法得到更加深度的赋能，其中具有代表性的是多模态教育大模型(Multi-modal LLM for Education)的检索增强系统(Retrieval Augmented Generation, 简称RAG)。知识图谱、推荐系统和RAG形成更加复杂和鲁棒的智适应大模型(Large Adaptive Model, 简称LAM)体系。
图4 智适应教育大模型多层级技术框架
1.智适应知识图谱和推荐系统促进个性化学习
在经典系统模块下，知识图谱和推荐系统的交互学习是智适应学习的关键。知识图谱的构建过程分为两个阶段：一是人工驱动阶段，二是数据驱动阶段。在人工驱动阶段，教育专家对教学内容进行深入解构。例如，在初中数学教学过程中，将500个基本知识点细化为30,000个更具体的子知识点，并为每个知识点配备相应的学习材料，包括文字题目、动画、PPT、教学短视频等。这些知识点被分为不同层级，每个更高层级的知识点可以分解为更具针对性的低层级子知识点[22]。在数据驱动阶段，智能算法根据学生的实际学习数据，利用贝叶斯网络发现知识网络中更加贴合学生实际的关联关系，交互更新知识图谱，直到其趋于稳定。通过构建领域知识图谱，系统能够描绘出学科知识间的丰富联系，提供结构化的知识查询，使学生能够系统地深入挖掘问题根源，明晰思考逻辑。
为了提升学习效率，依托知识图谱而设计的归一化推荐算法[22]，是实现个性化教学策略的核心组件。它能够对学生的学习行为数据进行标准化处理，从而允许系统准确比较和推荐学习内容。在个性化学习背景下，通过归一化算法，每个学生的个人学习图谱和学习行为数据得到综合评估，学生可据此来制定和调整学习路径。评估范围还包括学生在互动中所展现出来的多维度“MCM”，即能力(Mode of Thinking)、思想(Capacity)、方法(Methodology)，用以深度挖掘学习痛点、定位薄弱环节，不仅制定目标导向精准高效的个性化学习经验，同时也确保内容不偏离学生的实际需求。松鼠AI应用实例见文献[32-37]。
2.RAG深度赋能经典系统的LAM体系
在生成式人工智能领域，RAG具体指大模型在回答问题或生成文本之前，首先从一个庞大数据库检索高质量的相关信息，然后对LLM投喂高质量的相关信息，使其生成的内容更相关、更有意义。高质量内容的投喂，使得在深度学习(Deep Learning)领域被广泛诟病的“黑箱”以及LLM的“幻听”(hallucination)等问题得到有效的控制，让LLM切实做到“言之有物”，其表现也变得更加“可解释”。
智适应系统的RAG技术框架由几个关键部分组成。首先是数据索引阶段。这一阶段通过应用FAISS(Facebook AI Similarity Search)等框架，压缩海量知识图谱、百科数据和内部文档的向量，优化检索存储和搜索效率。该步骤确保多品类内容的高质量传递，包括知识图谱片段、学习路径、音频、图片、文本等资料的索引，这是利用多模态嵌入模型来实现的[38]。其次是粗排召回阶段。这一阶段利用双编码器(bi-encoder)快速召回首批相关资料，并通过LLM生成相似问题的答案来增强内容的多样性[39]。例如，对于合并同类项运算注意事项这一问题，RAG不仅能直接找到答案，还能提供关于同类项特点和加减法等相关的扩展信息。这样的扩展前处理能够发散检索思路，在考虑“一个问题还可以怎样回答”的过程中，拓宽检索视角。最后是精排召回阶段。这一阶段用交叉编码器(cross-encoder)在初步检索的结果上进行高精度召回，并利用LLM进一步生成类似问题，增强检索的准确性[39]。其主要思路是解决类似“我该如何提出一个更好的问题”的痛点，还能够引导大模型发散思维。例如，通过“合并同类项的要点是什么”或“合并同类项的窍门有哪些”等问题来深化LLM对问题的理解。
在RAG技术加持下，LAM赋能的智适应学习体系，以高质量的知识生成，激发巨大的潜力，经典系统模块的价值被无限放大，形成互相促进的技术路径[40]：一是利用多层级RAG赋能知识图谱，保证其与学生互动时高质量知识的高效率传递。二是知识图谱与多模态大模型深度融合，根据大模型的实时描述性反馈，更新其关系结构。三是多模态LLM与学生深度交互，智能化理解学生情绪与行为，提供个性化反馈和建议。四是推荐系统与LLM、学生、家长反馈有机连接，实现策略性知识推荐和动态学习路径规划。
LAM的核心产品能力，如连接知识图谱、推荐系统，以及处理学生、家长诉求反馈等，在技术上通过对多模态大模型的训练来实现。作为LAM的“中央处理器”，多模态大模型可以处理文本、学习行为、知识图谱、图像、语音等多种模态数据，其研发采用混合专家(Mixture of Experts, 简称MoE)架构[41]，如图5所示。这种架构巧妙地解决了训练难度大和推理成本高的问题，其核心优势得益于大模型的稀疏激活现象。通过对神经元进行聚类分组，并根据输入数据的特征动态选择专家网络进行计算，这样可以显著减少每次输入所需调用的神经元模块数量。实验表明，使用MoE架构模型在仅用约10%的前馈网络计算量情况下，即达到原模型约97%的效果，这在提高计算效率和节省资源方面具有显著优势。
图5 MoE框架的Expert Model动态选择
3.LAM深度优化学习全过程感受
多模态教育大模型的基础模型是以处理教育领域文本为主的语言模型(LLM for Education)。教育基础模型的开发可分为四个阶段，模型不断更新迭代自身能力，学习理解人类知识逻辑，对齐实际教育需求，如图6所示。每个阶段都在模型的智能化和个性化教学能力上起着关键作用。
图6 教育大模型训练步骤[42]
在预训练(Pretraining, 简称PT)阶段，模型学习维基百科、书籍、GitHub、论文、问答网站及教育平台海量学习行为数据等。预训练的过程侧重于数据点之间相互依存关系的识别，尤其是对于长距离节点依赖性和“暗逻辑”的捕捉。传统预训练通过“完形填空”(随机扣掉一些文本词语让模型预测)和“对对联”(根据上句猜下句)等策略增强模型对数据基本逻辑的理解。在此基础上，教育大模型构建知识图谱(包括纳米级知识点和题库)、学习路径、学习效果等多模态数据结构，以优化最终学习效果(如阶段性测试成绩提升)为导向，用对抗生成等方式训练，发现更加合理的学习路径。教育大模型在这个过程中自主挖掘出潜在的更有价值的学习路径。
在监督微调(Supervised Finetuning, 简称SFT)阶段，模型通过处理用户输入的提示词和理想输出结果的少量高质量数据集合，来进行指令微调。用户输入内容可能包括问题、对话、任务指令等多种形式。经过该阶段的训练，SFT模型不仅获得初步的指令和上下文理解能力，而且能够完成开放领域问答、阅读理解、翻译、生成代码等多样任务，并展现出对未知任务的一定泛化能力。模型在SFT阶段参考更多类型的学生数据，包括更丰富的学习路径、历史学习经验，以及该阶段学习效果验收指标等来微调预测逻辑。SFT阶段采取更加具体多样性的优化目标，如提分速度、提高的科目数量以及某一学科重点提高的比例等。
在奖励建模(Reward Modeling, 简称RM)阶段，目标是提升SFT模型输出的质量，通过构建一个文本质量对比模型来排序不同的输出结果。奖励模型通过人类评估员对模型输出的评价来收集数据，然后训练奖励模型以预测这些评价，从而理解人类评估员所认为的优质回答。在教育领域，评估员根据准确性、相关性、安全性等标准，对学生的问题回答质量进行评分，确保学习内容的质量。
在强化学习(Reinforcement Learning, 简称RL)阶段，利用前一阶段的RM来评估和指导SFT模型对用户提示词的补全结果。这个阶段的训练是为了使模型能够在实际场景中，理解用户的指令和上下文。通过加强学习和持续迭代，模型在接收到用户反馈后进行调整，以优化回答质量。在这一过程中，模型通过对回答选项进行评分，并选择最高分的答案，模拟人类的“试错”学习方式。同时，选择合适的优化方程，平衡探索与利用的辩证关系是至关重要的。它们共同决定模型如何权衡不同答案的潜在奖励与风险。这意味着，在教育环境中，模型不仅仅需要理解知识点，还要理解学生的个性化学习需求，从而提供更加个性化的教学支持。
在教育基础模型的基础上，LAM的研发衍生出语音、图片、视频等多模态维度，用以对学生的学情进行更多层次的监督和辅助。多模态教育大模型的一个典型应用场景是表情解析。学生在学习过程中的表情以及心态变化，传统手段难以精准全面把控。多模态教育大模型利用“Visual Instruction Tuning”思想[43]，结合学术界比较成功的视觉模型(如CLIP)和语言模型(如llama2[44])的先进特性，实现了对表情的高效识别。这一技术的核心在于将视觉编码器与LLM连接，开发被称为“Large Language and Vision Assistant(简称LLaVA)”的端到端训练大型多模态模型，其在解析人类微表情方面尤为有效。
在人机交互场景中，大模型可以识别用户的微妙表情变化，并根据这些变化给出语言上的反馈，从而实现更自然、更富有同情心的交流。LLaVA所带来的应用不局限于提升用户体验，还可以在心理健康、辅助教学等多个场景发挥作用。更进一步，被解析出来的表情报告，还可以反馈给知识图谱和推荐系统，这使全系统的有机结合能够促成更加有意义的精准内容推荐。在数据安全和隐私保护方面，除了遵循相关伦理和法律规定，系统数据采集还通过用户授权、加密传输和数字扰乱技术来确保信息安全。
4.LAM人工智能体深度挖掘学生潜能
依托LAM构建的人工智能体(AI Agents)，以大模型驱动一系列智能模块，凸显出其多种教育情境中的泛化能力。大模型相当于人类快速直觉思考的系统，能迅速处理和回应大量信息，但与人类思考一样，它也可能产生幻觉或思维偏差。因此，人工智能体的长期目标，是让大模型逐步演化成可以缜密分析和复杂决策的系统，在处理非常复杂的问题时，能够深入思考，作出更加稳健的决策。
在教育领域，人工智能体起到互动协作的助手角色。人工智能体通过记忆学生的学习状态(Memory)、定制教学规划(Planning)、集成多种工具模型(Tools)，以及执行动态智适应教学任务(Action)，来优化学习体验，如图7所示。人工智能体不仅记录和理解学生的强项和薄弱点，还提供个性化教学内容，让教学内容既详尽又易于理解，从而提升学习效果。在LAM体系下，人工智能体能够全面调查和诊断学生的学习情况，并预判学生的学习需要。人工智能体智能协同工作，能够实现更为复杂的工作流程，使学生能在AI的引导下积极学习，通过反复的实践和测试，确保每个学习环节都得到充分理解和掌握。因此，人工智能体成为个性化教育和深度学习的有力工具，可以帮助学生在学术旅程中不断前进。
图7 智适应人工智能体架构
像个人电脑从稀有资源到普及商品的转变一样，MoE等技术也使得大模型变得普遍且更加个性化，这样使更切实的“因材施教”成为可能。针对不同学生的能力和知识水平，智适应学习通过微调衍生出不同风格的大模型。对于学习能力强的学生，大模型重在拓展知识广度和深度;对于基础薄弱的学生，大模型专注于详细讲解和分步教学，帮助其快速掌握基础知识[36]。在与学生交互过程中，有的大模型专注于总结学生的学习习惯、思考逻辑，对学生进行个性化的启发式引导;有的大模型善于发掘学生在特定学科、章节中的超常规禀赋，予以及时的鼓励和关注，降低在有限时间窗口学生天分、积极性流失的风险。
四、智适应学习的应用风险和未来愿景
智适应学习作为一种新兴的教育技术，正逐渐改变着传统教学模式，为个性化学习提供新的可能性。然而，随着其在教育领域的广泛应用，也暴露出一些风险和挑战，同时也展现出令人期待的未来愿景。
(一)应用风险
一是数据隐私和安全问题。智适应学习系统通过收集学生的学习数据来定制个性化学习计划，包括学习习惯、偏好和能力评估等敏感信息[45][46]。若这些数据处理不当，可能会导致隐私泄露和滥用，引发社会和法律问题。因此，教育机构和技术提供商必须采取严格的数据保护措施，如加密技术、访问限制、用户知情许可和持续的安全审计，确保学生信息的安全。
二是伦理冲突和透明度问题。智适应学习系统可能会因训练数据的分布不均，表现出对某些群体或话题的偏好[47][48]，这在观点公平性上存在挑战。同时，模型的低透明度和可解释性也是需要关注的问题[47]。教育机构应建立全面的评估机制，将“公平性”和“可解释性”需求对齐，确保智适应学习系统能够反映社会主义核心价值观，尤其重视构建“AI发展护栏框架”[49]。
三是过度依赖技术的副作用。智适应学习系统虽然提供了个性化的学习体验，但过度依赖可能导致学生人际交往和传统学习技能上的不足[45]，甚至长时间面对屏幕和虚拟环境的单向学习可能削弱学生的团队合作能力、沟通技巧和社交互动能力。因此，教育工作者应确保学生有足够机会参与面对面的互动和团队活动，以促进其全面发展。
四是教育资源不均的问题。智适应学习技术的推广需要硬件设备和网络连接的支持，资源有限的环境可能难以满足这些要求，导致教育资源的不均衡。因此，为了实现智适应学习技术的广泛应用和公平性，需要政府、教育部门和私营部门合作，共同投入资源，以解决硬件、软件、培训等方面的问题，助力高质量教育目标的实现。
(二)未来愿景
一是构建全民科学教育的标准。智适应学习有助于实现教育的综合性，不仅传授技术技能，还包括对人文学科的探究。正如汉森所提出：教育是综合性的，即便是科学教育，也不应仅限于技术技能的传授，而应包含对历史、哲学、艺术等人文学科的综合性探究[50]。在此情境下，培养学生的独立思考能力和广泛兴趣，促进个体的全面发展。
二是创造AI与人类智慧的同步进化。随着AI在教育中的赋能，AI与人类智慧将逐渐同步进化，形成智能共同体。韦格里夫(Wegerif)等在探讨教育现代化进程中也指出，群体智能教育是未来培养公民信息素养、合作能力、问题解决能力的重要载体[51]。群体智能的概念不仅促进了信息的快速、简单、安全分享，也代表着AI重塑未来教育的一种新形态。在进化过程中，考虑到AI可能会为人类教育带来不利影响，我们应当对AI的能力进行常态化管控。约翰逊(Johnson)等强调，未来教育评价的核心在于明晰人与机器所擅长的领域各不相同，人类与AI的共同健康发展，取决于人类能否维持好人和AI在各自擅长的领域稳健发展[52]。在这个过程中，我们需要不断探索机器学习的深层原理，追求机器逻辑的合理解释性，并确保人类的价值观在与AI的共生演化中发挥主导作用，确保技术的发展方向与人类社会的长远利益相一致。
三是通过高质量人才培养服务教育强国建设。正如卫炳江等所倡导的，AI技术的应用使得教育变得更加开放和多元化，使得任何人、在任何背景、任何人生阶段随时得到普惠的终身学习机会，建立起通向成功的阶梯[53]。具体来看，智适应学习通过精细化的个性化学习路径和策略，提升学生的能力，回应教育改革的需求。此外，AI技术的应用使得教育更加开放和多元化，为终身学习提供机会，促进教育公平，减轻学生和教师的负担，并激发学生的创新能力。总之，通过智适应学习的推广，中国在全球教育领域的地位将得到提升，为教育强国建设打下基础。
五、结语
在大模型时代，由AIGC带来的技术变革对教育产生深远影响。在这个背景下，学生、教师、教育机构、政府等相关方都应该以崭新的视角，重塑新形势下对教育的理解。
就学习者而言，应该积极学习和体验高新科技带来的信息获取方面的便利，以及大模型这一强大的广博知识载体;同时将学习实践与智适应学习等前沿技术深度结合，拥抱新式高效学习方法，不断获取开放式的启发和思想解放，加快培养独立思考与批判式思维能力。
就教师而言，可以利用AI来丰富自身知识的广度和深度，并逐步改良传统教育教学方法，摒弃“死记硬背”“生搬硬套”等模式，引导学生建立正确的学习观，把主要精力集中到知识的本质及内在逻辑上，而非“分数至上”，着重培养学生“兴趣导向”的主观学习能动性。
就管理者而言，应把AIGC加持的智适应学习技术优势发挥到极致，重点研发“让每个孩子都不一样”的个性化学习系统，以最大可能地发掘学生的潜力，鼓励学生建立长期自信，杜绝“天赋垮塌”。同时，要尤其注重学生情绪情感的感知，给学生提供周密的情感支持和压力疏解渠道，增强学生的心理健康。此外，应加大对智适应学习领域的投入，鼓励优秀企业和学校大胆创新尝试新的教育思路，为新兴教育技术产品的研发和落地提供足够的基础保障，不断地引导构建全行业的生态系统。
参考文献：
[1]李凤英,龙紫阳.从自适应学习推荐到自适应学习牵引模型——“智能+”教育时代自适应学习研究取向[J].远程教育杂志,2020,38(6):22-31.
[2]华经情报.2022年中国自适应教育行业发展现状及趋势分析，自适应教育将得到更多人青睐，市场前景广阔[EB/OL].(2023-05-08)[2024-04-09].https://www.huaon.com/channel/trend/892543.html.
[3]JI S, PAN S, CAMBRIA E, et al. A survey on knowledge graphs: Representation, acquisition, and applications[J]. IEEE transactions on neural networks and learning systems, 2021,33(2):494-514.
[4]XIA Z, SUN A, XU J, et al. Contemporary recommendation systems on big data and their applications: a survey[J]. arXiv e-prints, 2022: arXiv:2206.02631.
[5]GOODFELLOW I, POUGET-ABADIE J, MIRZA M, et al. Generative adversarial nets[J]. Advances in neural information processing systems, 2014(27):11-23.
[6]VASWANI A, SHAZEER N, PARMAR N, et al. Attention is all you need[J]. Advances in neural information processing systems, 2017(30):1-12.
[7]OpenAI LLC. CLIP model Official Document [EB/OL].(2021-01-05)[2024-04-09]. https://openai.com/research/clip.
[8]AO J, WANG R, ZHOU L, et al. Speecht5: Unified-modal encoder-decoder pre-training for spoken language processing[J]. arXiv preprint arXiv:2110.07205,2021.
[9]HO J, JAIN A, ABBEEL P. Denoising diffusion probabilistic models[J]. Advances in neural information processing systems, 2020(33):6840-6851.
[10]WU T, HE S, LIU J, et al. A brief overview of ChatGPT: The history, status quo and potential future development[J]. IEEE/CAA Journal of Automatica Sinica, 2023,10(5):1122-1136.
[11]头豹研究院.2023中国AI技术变革企业服务白皮书[EB/OL].(2023-09-01)[2024-04-09].https://pdf.dfcfw.com/pdf/H3_AP202310201602160246_1.pdf?1697798434000.pdf.
[12]OpenAI LLC. Video generation models as world simulators[EB/OL].(2024-01-15)[2024-04-09]. https://openai.com/research/video-generation-models-as-world-simulators.
[13]DUOLINGO. Introducing Duolingo Max, a learning experience powered by GPT-4[EB/OL].(2023-03-14)[2024-04-09]. https://blog.duolingo.com/duolingo-max.
[14]KHAN ACADEMY. Introducing Khanmigo![EB/OL].(2023-03-14)[2024-04-09]. https://support.khanacademy.org/hc/en-us/community/posts/13992414612877-Introducing-Khanmigo.
[15]Adaptemy. Extending AI-Enabled Adaptive Learning With Sub-Skills Modelling: Integrating Adaptemy AI Engine With AlgebraKiT Engine[EB/OL].(2021-05-12)[2024-04-09]. https://www.adaptemy.com/extending-ai-enabled-adaptive-learning-with-sub-skills-modelling-integrating-adaptemy-ai-engine-with-algebrakit-engine.
[16]WHITMER J, KENNEDY G, BEN-NAIM D, et al. Panel Session—scaling up learning analytics research innovations: challenges and approaches[C]// 2018 IEEE International Conference on Teaching, Assessment, and Learning for Engineering (TALE), NSW, Australia, December 4-7, 2018. IEEE, 2018:1237-1238.
[17]Polyglots. Mondo Basic Usage [EB/OL].(2017-06-05)[2024-04-09]. https://www.polyglots.net/information/mondo-basic-usage.
[18]AWS Public Sector, Visang Education. Providing Korean virtual learning platform using AWS[EB/OL].(2021-09-04)[2024-04-09]. https://www.youtube.com/watch?v=RB27UqK4p70.
[19]王哲,李雅琪,冯晓辉,等.人工智能在教育领域的发展态势与思考展望[J].人工智能,2019(3):15-21
[20]安永.智存高远,适应未来——安永发布中国智适应学习行业白皮书[EB/OL].(2021-04-27)[2024-04-09].https://www.ey.com/zh_cn/education/intelligent-beyond-imagination-adaptive-to-the-future-china-ai-adaptive-learning-industry-whitepaper.
[21]LI H, CUI W, XU Z, et al. Yixue Adaptive Learning System and Its Promise on Improving Student Learning[C]// In the Proceedings of International Conference on Computer Supported Education, Madeira, Portugal, March 15-17, 2018. Springer Cham, 2018:45-52.
[22]人民网研究院,松鼠Ai.1对1智能自适应学习系统 [EB/OL].(2021-06-10)[2024-04-09].http://yjy.people.com.cn/n1/2021/0610/c244560-32127923.html.
[23]新华社.习近平向国际人工智能与教育大会致贺信[EB/OL].(2019-05-16)[2024-04-09].https://www.gov.cn/xinwen/2019-05/16/content_5392134.htm.
[24]罗振宇.认知是人和人之间的唯一壁垒[EB/OL].(2020-11-24)[2024-04-09].https://open.163.com/newview/movie/free?pid=GH1JMFESG&mid=ZH1JMFETM.
[25]KRATHWOHL D R. A revision of Bloom’s taxonomy: An overview[J]. Theory into practice, 2002,41(4):212-218.
[26]HELDING L. Mindful voice: Howard Gardner’s theory of multiple intelligences[J]. Journal of Singing-The Official Journal of the National Association of Teachers of Singing, 2009,66(2):193-199.
[27]DAVIS K, CHRITODOULOU J, SEIDER S, et al. The theory of multiple intelligences[J]. Cambridge Handbook of Intelligence, 2011: 485-503.
[28]BROUDY H S. Types of knowledge and purposes of education[M].Schooling and the acquisition of knowledge, 2017:1-17.
[29]Carlson Lab. How Does Automated Reasoning Advance Cognitive Sciences? (8 Most Common Questions Answered)[EB/OL].(2023-07-02)[2024-04-09]. https://carlsonlab.org/automated-reasoning.
[30]于泽远.2023年中国智能教育行业分析，市场规模及发展前景展望[EB/OL].(2023-04-23)[2024-04-09].https://www.huaon.com/channel/trend/887992.html.
[31]观研报告网.中国自适应教育行业现状深度研究与发展前景预测报告(2023—2030年)[EB/OL].(2023-05-01)[2024-04-09].https://www.chinabaogao.com/baogao/202305/635577.html.
[32]武琳娜.写在白山松鼠Ai建校一周年[EB/OL].(2020-11-10)[2024-04-09].https://zhuanlan.zhihu.com/p/283834831.
[33]新华网.利用人工智能自适应算法及优势 实现规模化因材施教[EB/OL].(2024-01-03)[2024-04-09].http://education.news.cn/20240103/7c742190fd8a47098cbc39bfa9403c9c/c.html.
[34]延边州科协.AI老师是怎么改变乡村教育的 [EB/OL].(2021-06-18)[2024-04-09].https://m.thepaper.cn/newsDetail_ forward_13201620.
[35]FENG M, CUI W, WANG S. Adaptive learning goes to China[C]// In Proceedings of 19th International Conference on Artificial Intelligence in Education, Part II, London, UK, June 27-30, 2018. Springer International Publishing, 2018:89-93.
[36]赣榆发布.松鼠Ai智适应系统：减负增效 助力“因材施教”[EB/OL].(2022-10-11)[2024-04-09].https://ganyu.cm.jstv.com/news/20221011/21112298.html.2022.
[37]乂学在线.松鼠Ai智适应学习CEO周伟在央视 “机智过人”栏目展示MCM系统[EB/OL].(2019-09-16)[2024-04-09].https://www.sohu.com/a/341191334_678358.
[38]LangChain. Multi-modal RAG System[EB/OL].(2023-12-06)[2024-04-09]. https://blog.langchain.dev/multi-modal-rag-template.
[39]ROSA G, BONIFACIO L, JERONYMO V, et al. In defense of cross-encoders for zero-shot retrieval[J]. arXiv preprint arXiv:2212.06121, 2022.
[40]GAO Y, XIONG Y, GAO X, et al. Retrieval-augmented generation for large language models: A survey[J]. arXiv preprint arXiv:2312.10997, 2023.
[41]WANG R, CHEN H, ZHOU R, et al. Aurora: activating chinese chat capability for Mistral-8x7B sparse Mixture-of-Experts through Instruction-Tuning[J]. arXiv preprint arXiv:2312.14557, 2023.
[42]KARPATHY A. State of GPT[EB/OL].(2023-05-23)[2024-04-09]. https://karpathy.ai/stateofgpt.pdf.
[43]LIU H, LI C, LI Y, et al. Improved baselines with visual instruction tuning[J]. arXiv preprint arXiv:2310.03744, 2023.
[44]TOUVRON H, MARTIN L, STONE K, et al. Llama 2: Open foundation and fine-tuned chat models[J]. arXiv preprint arXiv:2307.09288, 2023.
[45]杨海燕,李涛.ChatGPT 教学应用：场景、局限与突破策略[J].中国教育信息化,2023,26(6):126-134.
[46]韦恩·霍姆斯,孙梦,袁莉.人工智能与教育:本质探析和未来挑战[J].中国教育信息化,2023,29(2):15-25.
[47]BAIDOO-ANU D, ANSAH L O. Education in the era of generative artificial intelligence (AI): Understanding the potential benefits of ChatGPT in promoting teaching and learning[J]. Journal of AI, 2023,7(1):52-62.
[48]MEYER J G, URBANOWICZ R J, MARTIN P C N, et al. ChatGPT and large language models in academia: opportunities and challenges[J]. BioData Mining, 2023,16(1):20.
[49]SOLAIMAN I. The gradient of generative AI release: Methods and considerations[C]// Proceedings of the 2023 ACM conference on fairness, accountability, and transparency, Chicago, USA, June 12-15, 2023. ACM, 2023:111-122.
[50]HANSON N R. Science as a Liberal Education[J]. Universities Quarterly, 1957,11(2):117-126.
[51]鲁珀特·韦格里夫,张舒,袁莉.面向群体智能塑造未来教育:一项重要研究课题[J].中国教育信息化,2022,1(1):4-10.
[52]马克·约翰逊,金俞,崔新,等.人工智能与未来教育评价[J].中国教育信息化,2022,28(7):3-9.
[53]卫炳江,苏福根,姚楠.由 ChatGPT 引发的人工智能推动教育变革的思考[J].中国教育信息化,2023,29(4):3-9.
Research on Adaptive Learning in the Era of Large Models:
Progress, Examples, and Prospects
Xiaoqing GU, Tong LIU
(Department of Educational Information Technology, East China Normal University, Shanghai 200062)
Abstract: The synergistic integration of adaptive learning systems and generative artificial intelligence is reshaping education, a development demanded by economic globalization and technological change, and an inevitable phase in the progress of human civilization. On the basis of reviewing the historical development and technological advantages of intelligent adaptive learning, this paper discusses the research progress of intelligent adaptive learning from a global perspective, and clarifies the five levels of intelligent adaptive learning, which are Internet education, intelligent tools, intelligent adaptive learning, advanced intelligent adaptive learning, and fully intelligent adaptive learning. At the technical level, the focus is on introducing the core development modules of the hybrid expert education big model, discussing how to build a mutual empowerment and organic combination between the big model, intelligent adaptive knowledge graph, and recommendation system, ultimately forming an artificial intelligence agent with the big model as the core. At the same time, relying on the technological architecture of intelligent adaptive learning applications, typical cases of its application are presented. On this basis, the research explores the technological application of intelligent adaptive learning, sorts out and summarizes the future vision of intelligent adaptive learning: The first is to build standards for science education for all; The second is to create a synchronous evolution between artificial intelligence and human intelligence; The third is to promote the realization of an educational powerhouse through high-quality talent cultivation.
Keywords: Generative artificial intelligence; Adaptive learning; AI Agents; Personalized learning; Large language models
编辑：王晓明 校对：李晓萍
主题测试文章，只做测试使用。发布者：qinglinet，转转请注明出处：https://www.qlw.net/uncategorized/%e3%80%90%e8%ae%ba%e6%96%87%e3%80%91%e5%a4%a7%e6%a8%a1%e5%9e%8b%e6%97%b6%e4%bb%a3%e7%9a%84%e6%99%ba%e9%80%82%e5%ba%94%e5%ad%a6%e4%b9%a0%e7%a0%94%e7%a9%b6%ef%bc%9a%e8%bf%9b%e5%b1%95%e3%80%81%e5%ae%9e.html