大模型時代的智適應學習研究：進展、實例與展望

摘 " 要：智適應系統(tǒng)和生成式人工智能的有機結合正在重塑教育，這是經(jīng)濟全球化、技術變革的新訴求，也是人類文明進步發(fā)展的必然階段。在回顧智適應學習的歷史發(fā)展和技術優(yōu)勢的基礎上，探討全球視野下智適應學習的研究進展，明晰智適應學習的五個層級，依次為互聯(lián)網(wǎng)教育、智能工具、智適應學習、高級智適應學習、完全智適應學習。在技術層面，重點介紹混合專家教育大模型的核心開發(fā)模塊，討論如何構建大模型與智適應知識圖譜、推薦系統(tǒng)之間的相互賦能，有機結合，最終形成以大模型為核心的人工智能體。同時依托智適應學習應用的技術架構，呈現(xiàn)其應用的典型案例。在此基礎上，圍繞智適應學習的技術應用探索，梳理和歸納智適應學習的未來愿景：一是構建全民科學教育的標準；二是創(chuàng)造人工智能與人類智慧的同步進化；三是通過高質(zhì)量人才培養(yǎng)服務教育強國建設。

關鍵詞：生成式人工智能；智適應學習；人工智能體；個性化學習；大模型

中圖分類號：G434 " " " "文獻標志碼：A " " " " 文章編號：1673-8454（2024）05-0055-12

一、大模型推動自適應教育邁向智適應學習

（一）自適應教育：使技術賦能個性化學習成為可能

自適應教育是一種利用技術來促進學習者個性化學習體驗的樣態(tài)，其核心在于個性化學習路徑規(guī)劃、數(shù)據(jù)驅動決策、及時反饋支持以及學習內(nèi)容個性化[1][2]。具體來看：首先，自適應學習系統(tǒng)根據(jù)學生的學習表現(xiàn)、進度和理解能力，推薦合適的學習材料和任務，讓每個學生獲得定制化的學習計劃，以最適合他們的方式學習。其次，自適應教育系統(tǒng)收集和分析學生的學習數(shù)據(jù)，以更好地理解每個學生的學習模式和需求，幫助教師做出更加精確的教學決策。再次，自適應系統(tǒng)通常包含多種類型和難度的學習材料和模式，如視頻、測驗、互動活動等，可以根據(jù)學生的需要進行調(diào)整。最后，通過為學生提供符合其當前理解水平的材料，自適應教育能夠增加學習資源的相關性和吸引力，從而提高學生的參與度和學習動機。總之，自適應教育根據(jù)每個學生的獨特學習需求、能力和進度，調(diào)整教學內(nèi)容、難度和節(jié)奏，目標是提供更加高效、有效且具有吸引力的學習體驗，同時減輕教師的工作負擔，使他們能夠更專注于學生的個性化需求。

（二）智適應學習：生成式人工智能催生的產(chǎn)物

自適應教育的持續(xù)發(fā)展，主要得益于人工智能（Artificial Intelligent，簡稱AI）領域的知識圖譜[3]和推薦系統(tǒng)[4]等前沿技術實現(xiàn)，尤其是新一代生成式人工智能（Artificial Intelligence Generated Content， 簡稱AIGC）。在AIGC相關技術的賦能下，對抗生成網(wǎng)絡（GAN[5]）、變換器模型（Transformer[6]）、對比語言圖像預訓練（CLIP[7]）、語音識別模型（SpeechT5[8]）、擴散模型（Diffusion[9]）、多模態(tài)技術等新興技術的累積融合，催生了以大型語言模型（Large Language Model，簡稱LLM）及ChatGPT[10]為代表的前沿AIGC產(chǎn)品的暴發(fā)。隨之，自適應教育正在進化為更加智能化的“智適應學習”，進一步提高教育的質(zhì)量和效率[11]。

從計算智能（如Transformer）、感知智能（如CLIP、SpeechT5）再到認知智能（如ChatGPT、Sora）的進階發(fā)展來看，AIGC已經(jīng)為人類社會打開了認知智能的大門[12]。通過大規(guī)模數(shù)據(jù)的學習訓練，人工智能具備了對不同領域的通識理解，只需要對模型進行適當?shù)恼{(diào)整修正，就能出色完成真實場景的任務。同時，基于多模態(tài)大模型的學生情感解析能力，為智適應學習增添更細膩的個性化教學維度。此外，智適應學習不僅能夠提供深度定制化的學習體驗，還可以在更廣泛的層面上促進學生的全面發(fā)展，從而真正實現(xiàn)因材施教。

二、全球視野下智適應學習研究進展

美國代表性機構Duolingo Max[13]采用角色扮演技術，讓學生通過模擬情景與AI進行對話，如圖1所示。同時，該機構還引入創(chuàng)新的概率模型來生成每個學生針對每個問題的成功率，從而能夠個性化地調(diào)整題目難度，確保挑戰(zhàn)適中，既能夠保持學生的信心，又不至于讓學生感到過度困難。這種方法不僅增強了學生的語言實踐能力，而且通過AI的反饋，學生能了解到如何使語言更加地道，并得到關于如何提高語言能力的具體建議。

美國硅谷可汗學院（Khan Academy）研發(fā)的Khanmigo[14]，是使用個性化大模型對話形式的平臺，旨在啟發(fā)學生思考。Khanmigo深入理解學生的能力，并幫助其構建知識，通過答疑解惑的方式促進學習，如圖2所示。這種方法重視學生的個別差異，通過個性化教學，促進學生對學科知識的深入理解和掌握。

愛爾蘭的Adaptemy[15]是智適應學習的代表性機構。其屬于基于B2B模式的服務性機構，用AI來構建每個學習者的詳細檔案，在學習中逐漸理解學習者在整個課程中的能力，檢測他們的情緒狀態(tài)、疑惑的成因，并預測學習者對知識的掌握程度。此外，Adaptemy還通過創(chuàng)建關于學習者能力和學習過程的精確模型進行實時個性化推薦，并根據(jù)學習者的具體需求，提供實時的個性化學習建議，包括診斷性問題序列、個性化反饋信息和適應性學習路徑。總的來說，歐美AI智適應學習通過高度個性化的學習體驗，結合先進的技術和算法，正在為學生提供更加有效和富有趣味性的學習方法，通過創(chuàng)新學習環(huán)境的構建，改善教育質(zhì)量。

澳大利亞的Smart Sparrow利用約束模型（Constraint-based Modelling）追蹤、分析學生學習過程的反饋，給學生適配最有幫助的內(nèi)容[16]。日本的PolyGlots通過用AI研究學習行為日志來增強日語詞匯記憶的效率[17]。韓國的VISANG也是通過收集學生在交互式學習中的行為，提供個性化反饋，進而提高學習效率[18]。

從全球視野來看，智適應學習的應用探索如火如荼，這種強勢增長不僅體現(xiàn)市場的潛力，也反映出市場對智能化個性化教育解決方案的巨大需求[19]。在中國，隨著“雙減”等政策的實行，智能化個性化教育的需求增加也越來越明顯[20]。多年來，中國在智適應學習的教學實踐方面積累豐富經(jīng)驗，技術落地的應用探索也較為充分，為全球提供了教育發(fā)展的新思路。例如，以松鼠Ai為代表的企業(yè)[21][22]，積累了超過百億的學習行為數(shù)據(jù)、千億級知識圖譜和題庫，不僅可以為教育資源的共享和全球教育模式的創(chuàng)新提供重要支撐，也進一步促進全球教育公平改革與發(fā)展[23][24]。

三、智適應學習的典型研究案例

得益于AI的顯著計算優(yōu)勢，智適應學習取得蓬勃發(fā)展[25][26]。在此情境下，人的潛能可以被無限地挖掘和釋放[27]，可以得到類似“小灶教育”“特殊關照”等先前難以獲得的教育體驗。學習的速率、個人認知的水平和創(chuàng)造力可以在相對短期內(nèi)得到顯著提升，“學習型社會”也將進入全新的發(fā)展階段[28][29]。本文以松鼠Ai的應用實踐為案例，展示智適應學習在一線教育過程中的核心技術優(yōu)勢，和對學生學習效率、學習方法和學習思維的重塑。

（一）智適應學習層級

隨著AI的快速發(fā)展，智適應學習產(chǎn)業(yè)已經(jīng)呈現(xiàn)出百花齊放的態(tài)勢[30][31]。全球性專業(yè)服務公司安永2019年發(fā)布智適應學習白皮書[20]，提出智適應學習的智能化水平，在完全依賴真人教師的傳統(tǒng)教育（L0）以上，可以劃分為五個層級（L1—L5），如圖3所示。

L1級別是互聯(lián)網(wǎng)教育（Internet Teaching）。這一階段通過提供遠程教學場景如線上直播和測試來提高教學效率，學生知識點的掌握程度可以動態(tài)更新，但主導權依然掌握在人手中。

L2級別引入智能工具（AI Tools）。拍照搜題、語音測試等智能輔助工具能夠提高效率，在內(nèi)容上也可自動根據(jù)學生表現(xiàn)適配合適難度的題目。

L3級別是部分智適應學習（Partial AI Teaching）。雖然真人教師仍主導教學過程，但AI已經(jīng)開始輔助教學決策，提供分析與推薦，對學生進行畫像描述，并匹配相適應的知識點。

L4級別是高級智適應學習（Advanced AI Tutoring）。AI不僅參與教學環(huán)節(jié)，而且能夠主導整個教學流程。學生在AI的引導下進行學習和練習，而真人教師的角色轉變?yōu)榘殃P者與指導者。

L5級別是完全智適應學習（Full AI Teaching）。所有教學環(huán)節(jié)完全由AI負責，完全模擬優(yōu)秀教師的教學過程，無需人工干預。目前正蓬勃發(fā)展的是L5級智適應與AIGC技術的有機融合、交互賦能的更深層次、更具創(chuàng)新活力的智適應學習理念。

（二）智適應學習應用的技術架構及典型案例

結合LLM的技術特點和優(yōu)勢，本文構建大語言模型時代的智適應學習框架，如圖4所示。通過LLM深度賦能傳統(tǒng)自適應教育，能夠對傳統(tǒng)的智適應學習進行診斷，學習推薦等應用作進一步的延展（如興趣培養(yǎng)、情感干預、學習路徑智能規(guī)劃等）。傳統(tǒng)自適應教育的基石是大數(shù)據(jù)（如海量的學習資源、學生的學習行為數(shù)據(jù)、學生的畫像等），在此基礎上，通過知識圖譜、推薦系統(tǒng)等學習規(guī)劃算法，實現(xiàn)自適應的診斷和推薦。而大語言模型的加入，使傳統(tǒng)算法得到更加深度的賦能，其中具有代表性的是多模態(tài)教育大模型（Multi-modal LLM for Education）的檢索增強系統(tǒng)（Retrieval Augmented Generation， 簡稱RAG）。知識圖譜、推薦系統(tǒng)和RAG形成更加復雜和魯棒的智適應大模型（Large Adaptive Model， 簡稱LAM）體系。

1.智適應知識圖譜和推薦系統(tǒng)促進個性化學習

在經(jīng)典系統(tǒng)模塊下，知識圖譜和推薦系統(tǒng)的交互學習是智適應學習的關鍵。知識圖譜的構建過程分為兩個階段：一是人工驅動階段，二是數(shù)據(jù)驅動階段。在人工驅動階段，教育專家對教學內(nèi)容進行深入解構。例如，在初中數(shù)學教學過程中，將500個基本知識點細化為30，000個更具體的子知識點，并為每個知識點配備相應的學習材料，包括文字題目、動畫、PPT、教學短視頻等。這些知識點被分為不同層級，每個更高層級的知識點可以分解為更具針對性的低層級子知識點[22]。在數(shù)據(jù)驅動階段，智能算法根據(jù)學生的實際學習數(shù)據(jù)，利用貝葉斯網(wǎng)絡發(fā)現(xiàn)知識網(wǎng)絡中更加貼合學生實際的關聯(lián)關系，交互更新知識圖譜，直到其趨于穩(wěn)定。通過構建領域知識圖譜，系統(tǒng)能夠描繪出學科知識間的豐富聯(lián)系，提供結構化的知識查詢，使學生能夠系統(tǒng)地深入挖掘問題根源，明晰思考邏輯。

為了提升學習效率，依托知識圖譜而設計的歸一化推薦算法[22]，是實現(xiàn)個性化教學策略的核心組件。它能夠對學生的學習行為數(shù)據(jù)進行標準化處理，從而允許系統(tǒng)準確比較和推薦學習內(nèi)容。在個性化學習背景下，通過歸一化算法，每個學生的個人學習圖譜和學習行為數(shù)據(jù)得到綜合評估，學生可據(jù)此來制定和調(diào)整學習路徑。評估范圍還包括學生在互動中所展現(xiàn)出來的多維度“MCM”，即能力（Mode of Thinking）、思想（Capacity）、方法（Methodology），用以深度挖掘學習痛點、定位薄弱環(huán)節(jié)，不僅制定目標導向精準高效的個性化學習經(jīng)驗，同時也確保內(nèi)容不偏離學生的實際需求。松鼠AI應用實例見文獻[32-37]。

2.RAG深度賦能經(jīng)典系統(tǒng)的LAM體系

在生成式人工智能領域，RAG具體指大模型在回答問題或生成文本之前，首先從一個龐大數(shù)據(jù)庫檢索高質(zhì)量的相關信息，然后對LLM投喂高質(zhì)量的相關信息，使其生成的內(nèi)容更相關、更有意義。高質(zhì)量內(nèi)容的投喂，使得在深度學習（Deep Learning）領域被廣泛詬病的“黑箱”以及LLM的“幻聽”（hallucination）等問題得到有效的控制，讓LLM切實做到“言之有物”，其表現(xiàn)也變得更加“可解釋”。

智適應系統(tǒng)的RAG技術框架由幾個關鍵部分組成。首先是數(shù)據(jù)索引階段。這一階段通過應用FAISS（Facebook AI Similarity Search）等框架，壓縮海量知識圖譜、百科數(shù)據(jù)和內(nèi)部文檔的向量，優(yōu)化檢索存儲和搜索效率。該步驟確保多品類內(nèi)容的高質(zhì)量傳遞，包括知識圖譜片段、學習路徑、音頻、圖片、文本等資料的索引，這是利用多模態(tài)嵌入模型來實現(xiàn)的[38]。其次是粗排召回階段。這一階段利用雙編碼器（bi-encoder）快速召回首批相關資料，并通過LLM生成相似問題的答案來增強內(nèi)容的多樣性[39]。例如，對于合并同類項運算注意事項這一問題，RAG不僅能直接找到答案，還能提供關于同類項特點和加減法等相關的擴展信息。這樣的擴展前處理能夠發(fā)散檢索思路，在考慮“一個問題還可以怎樣回答”的過程中，拓寬檢索視角。最后是精排召回階段。這一階段用交叉編碼器（cross-encoder）在初步檢索的結果上進行高精度召回，并利用LLM進一步生成類似問題，增強檢索的準確性[39]。其主要思路是解決類似“我該如何提出一個更好的問題”的痛點，還能夠引導大模型發(fā)散思維。例如，通過“合并同類項的要點是什么”或“合并同類項的竅門有哪些”等問題來深化LLM對問題的理解。

在RAG技術加持下，LAM賦能的智適應學習體系，以高質(zhì)量的知識生成，激發(fā)巨大的潛力，經(jīng)典系統(tǒng)模塊的價值被無限放大，形成互相促進的技術路徑[40]：一是利用多層級RAG賦能知識圖譜，保證其與學生互動時高質(zhì)量知識的高效率傳遞。二是知識圖譜與多模態(tài)大模型深度融合，根據(jù)大模型的實時描述性反饋，更新其關系結構。三是多模態(tài)LLM與學生深度交互，智能化理解學生情緒與行為，提供個性化反饋和建議。四是推薦系統(tǒng)與LLM、學生、家長反饋有機連接，實現(xiàn)策略性知識推薦和動態(tài)學習路徑規(guī)劃。

LAM的核心產(chǎn)品能力，如連接知識圖譜、推薦系統(tǒng)，以及處理學生、家長訴求反饋等，在技術上通過對多模態(tài)大模型的訓練來實現(xiàn)。作為LAM的“中央處理器”，多模態(tài)大模型可以處理文本、學習行為、知識圖譜、圖像、語音等多種模態(tài)數(shù)據(jù)，其研發(fā)采用混合專家（Mixture of Experts， 簡稱MoE）架構[41]，如圖5所示。這種架構巧妙地解決了訓練難度大和推理成本高的問題，其核心優(yōu)勢得益于大模型的稀疏激活現(xiàn)象。通過對神經(jīng)元進行聚類分組，并根據(jù)輸入數(shù)據(jù)的特征動態(tài)選擇專家網(wǎng)絡進行計算，這樣可以顯著減少每次輸入所需調(diào)用的神經(jīng)元模塊數(shù)量。實驗表明，使用MoE架構模型在僅用約10%的前饋網(wǎng)絡計算量情況下，即達到原模型約97%的效果，這在提高計算效率和節(jié)省資源方面具有顯著優(yōu)勢。

3.LAM深度優(yōu)化學習全過程感受

多模態(tài)教育大模型的基礎模型是以處理教育領域文本為主的語言模型（LLM for Education）。教育基礎模型的開發(fā)可分為四個階段，模型不斷更新迭代自身能力，學習理解人類知識邏輯，對齊實際教育需求，如圖6所示。每個階段都在模型的智能化和個性化教學能力上起著關鍵作用。

在預訓練（Pretraining， 簡稱PT）階段，模型學習維基百科、書籍、GitHub、論文、問答網(wǎng)站及教育平臺海量學習行為數(shù)據(jù)等。預訓練的過程側重于數(shù)據(jù)點之間相互依存關系的識別，尤其是對于長距離節(jié)點依賴性和“暗邏輯”的捕捉。傳統(tǒng)預訓練通過“完形填空”（隨機扣掉一些文本詞語讓模型預測）和“對對聯(lián)”（根據(jù)上句猜下句）等策略增強模型對數(shù)據(jù)基本邏輯的理解。在此基礎上，教育大模型構建知識圖譜（包括納米級知識點和題庫）、學習路徑、學習效果等多模態(tài)數(shù)據(jù)結構，以優(yōu)化最終學習效果（如階段性測試成績提升）為導向，用對抗生成等方式訓練，發(fā)現(xiàn)更加合理的學習路徑。教育大模型在這個過程中自主挖掘出潛在的更有價值的學習路徑。

在監(jiān)督微調(diào)（Supervised Finetuning， 簡稱SFT）階段，模型通過處理用戶輸入的提示詞和理想輸出結果的少量高質(zhì)量數(shù)據(jù)集合，來進行指令微調(diào)。用戶輸入內(nèi)容可能包括問題、對話、任務指令等多種形式。經(jīng)過該階段的訓練，SFT模型不僅獲得初步的指令和上下文理解能力，而且能夠完成開放領域問答、閱讀理解、翻譯、生成代碼等多樣任務，并展現(xiàn)出對未知任務的一定泛化能力。模型在SFT階段參考更多類型的學生數(shù)據(jù)，包括更豐富的學習路徑、歷史學習經(jīng)驗，以及該階段學習效果驗收指標等來微調(diào)預測邏輯。SFT階段采取更加具體多樣性的優(yōu)化目標，如提分速度、提高的科目數(shù)量以及某一學科重點提高的比例等。

在獎勵建模（Reward Modeling， 簡稱RM）階段，目標是提升SFT模型輸出的質(zhì)量，通過構建一個文本質(zhì)量對比模型來排序不同的輸出結果。獎勵模型通過人類評估員對模型輸出的評價來收集數(shù)據(jù)，然后訓練獎勵模型以預測這些評價，從而理解人類評估員所認為的優(yōu)質(zhì)回答。在教育領域，評估員根據(jù)準確性、相關性、安全性等標準，對學生的問題回答質(zhì)量進行評分，確保學習內(nèi)容的質(zhì)量。

在強化學習（Reinforcement Learning， 簡稱RL）階段，利用前一階段的RM來評估和指導SFT模型對用戶提示詞的補全結果。這個階段的訓練是為了使模型能夠在實際場景中，理解用戶的指令和上下文。通過加強學習和持續(xù)迭代，模型在接收到用戶反饋后進行調(diào)整，以優(yōu)化回答質(zhì)量。在這一過程中，模型通過對回答選項進行評分，并選擇最高分的答案，模擬人類的“試錯”學習方式。同時，選擇合適的優(yōu)化方程，平衡探索與利用的辯證關系是至關重要的。它們共同決定模型如何權衡不同答案的潛在獎勵與風險。這意味著，在教育環(huán)境中，模型不僅僅需要理解知識點，還要理解學生的個性化學習需求，從而提供更加個性化的教學支持。

在教育基礎模型的基礎上，LAM的研發(fā)衍生出語音、圖片、視頻等多模態(tài)維度，用以對學生的學情進行更多層次的監(jiān)督和輔助。多模態(tài)教育大模型的一個典型應用場景是表情解析。學生在學習過程中的表情以及心態(tài)變化，傳統(tǒng)手段難以精準全面把控。多模態(tài)教育大模型利用“Visual Instruction Tuning”思想[43]，結合學術界比較成功的視覺模型（如CLIP）和語言模型（如llama2[44]）的先進特性，實現(xiàn)了對表情的高效識別。這一技術的核心在于將視覺編碼器與LLM連接，開發(fā)被稱為“Large Language and Vision Assistant（簡稱LLaVA）”的端到端訓練大型多模態(tài)模型，其在解析人類微表情方面尤為有效。

在人機交互場景中，大模型可以識別用戶的微妙表情變化，并根據(jù)這些變化給出語言上的反饋，從而實現(xiàn)更自然、更富有同情心的交流。LLaVA所帶來的應用不局限于提升用戶體驗，還可以在心理健康、輔助教學等多個場景發(fā)揮作用。更進一步，被解析出來的表情報告，還可以反饋給知識圖譜和推薦系統(tǒng)，這使全系統(tǒng)的有機結合能夠促成更加有意義的精準內(nèi)容推薦。在數(shù)據(jù)安全和隱私保護方面，除了遵循相關倫理和法律規(guī)定，系統(tǒng)數(shù)據(jù)采集還通過用戶授權、加密傳輸和數(shù)字擾亂技術來確保信息安全。

4.LAM人工智能體深度挖掘學生潛能

依托LAM構建的人工智能體（AI Agents），以大模型驅動一系列智能模塊，凸顯出其多種教育情境中的泛化能力。大模型相當于人類快速直覺思考的系統(tǒng)，能迅速處理和回應大量信息，但與人類思考一樣，它也可能產(chǎn)生幻覺或思維偏差。因此，人工智能體的長期目標，是讓大模型逐步演化成可以縝密分析和復雜決策的系統(tǒng)，在處理非常復雜的問題時，能夠深入思考，作出更加穩(wěn)健的決策。

在教育領域，人工智能體起到互動協(xié)作的助手角色。人工智能體通過記憶學生的學習狀態(tài)（Memory）、定制教學規(guī)劃（Planning）、集成多種工具模型（Tools），以及執(zhí)行動態(tài)智適應教學任務（Action），來優(yōu)化學習體驗，如圖7所示。人工智能體不僅記錄和理解學生的強項和薄弱點，還提供個性化教學內(nèi)容，讓教學內(nèi)容既詳盡又易于理解，從而提升學習效果。在LAM體系下，人工智能體能夠全面調(diào)查和診斷學生的學習情況，并預判學生的學習需要。人工智能體智能協(xié)同工作，能夠實現(xiàn)更為復雜的工作流程，使學生能在AI的引導下積極學習，通過反復的實踐和測試，確保每個學習環(huán)節(jié)都得到充分理解和掌握。因此，人工智能體成為個性化教育和深度學習的有力工具，可以幫助學生在學術旅程中不斷前進。

像個人電腦從稀有資源到普及商品的轉變一樣，MoE等技術也使得大模型變得普遍且更加個性化，這樣使更切實的“因材施教”成為可能。針對不同學生的能力和知識水平，智適應學習通過微調(diào)衍生出不同風格的大模型。對于學習能力強的學生，大模型重在拓展知識廣度和深度；對于基礎薄弱的學生，大模型專注于詳細講解和分步教學，幫助其快速掌握基礎知識[36]。在與學生交互過程中，有的大模型專注于總結學生的學習習慣、思考邏輯，對學生進行個性化的啟發(fā)式引導；有的大模型善于發(fā)掘學生在特定學科、章節(jié)中的超常規(guī)稟賦，予以及時的鼓勵和關注，降低在有限時間窗口學生天分、積極性流失的風險。

四、智適應學習的應用風險和未來愿景

智適應學習作為一種新興的教育技術，正逐漸改變著傳統(tǒng)教學模式，為個性化學習提供新的可能性。然而，隨著其在教育領域的廣泛應用，也暴露出一些風險和挑戰(zhàn)，同時也展現(xiàn)出令人期待的未來愿景。

（一）應用風險

一是數(shù)據(jù)隱私和安全問題。智適應學習系統(tǒng)通過收集學生的學習數(shù)據(jù)來定制個性化學習計劃，包括學習習慣、偏好和能力評估等敏感信息[45][46]。若這些數(shù)據(jù)處理不當，可能會導致隱私泄露和濫用，引發(fā)社會和法律問題。因此，教育機構和技術提供商必須采取嚴格的數(shù)據(jù)保護措施，如加密技術、訪問限制、用戶知情許可和持續(xù)的安全審計，確保學生信息的安全。

二是倫理沖突和透明度問題。智適應學習系統(tǒng)可能會因訓練數(shù)據(jù)的分布不均，表現(xiàn)出對某些群體或話題的偏好[47][48]，這在觀點公平性上存在挑戰(zhàn)。同時，模型的低透明度和可解釋性也是需要關注的問題[47]。教育機構應建立全面的評估機制，將“公平性”和“可解釋性”需求對齊，確保智適應學習系統(tǒng)能夠反映社會主義核心價值觀，尤其重視構建“AI發(fā)展護欄框架”[49]。

三是過度依賴技術的副作用。智適應學習系統(tǒng)雖然提供了個性化的學習體驗，但過度依賴可能導致學生人際交往和傳統(tǒng)學習技能上的不足[45]，甚至長時間面對屏幕和虛擬環(huán)境的單向學習可能削弱學生的團隊合作能力、溝通技巧和社交互動能力。因此，教育工作者應確保學生有足夠機會參與面對面的互動和團隊活動，以促進其全面發(fā)展。

四是教育資源不均的問題。智適應學習技術的推廣需要硬件設備和網(wǎng)絡連接的支持，資源有限的環(huán)境可能難以滿足這些要求，導致教育資源的不均衡。因此，為了實現(xiàn)智適應學習技術的廣泛應用和公平性，需要政府、教育部門和私營部門合作，共同投入資源，以解決硬件、軟件、培訓等方面的問題，助力高質(zhì)量教育目標的實現(xiàn)。

（二）未來愿景

一是構建全民科學教育的標準。智適應學習有助于實現(xiàn)教育的綜合性，不僅傳授技術技能，還包括對人文學科的探究。正如漢森所提出：教育是綜合性的，即便是科學教育，也不應僅限于技術技能的傳授，而應包含對歷史、哲學、藝術等人文學科的綜合性探究[50]。在此情境下，培養(yǎng)學生的獨立思考能力和廣泛興趣，促進個體的全面發(fā)展。

二是創(chuàng)造AI與人類智慧的同步進化。隨著AI在教育中的賦能，AI與人類智慧將逐漸同步進化，形成智能共同體。韋格里夫（Wegerif）等在探討教育現(xiàn)代化進程中也指出，群體智能教育是未來培養(yǎng)公民信息素養(yǎng)、合作能力、問題解決能力的重要載體[51]。群體智能的概念不僅促進了信息的快速、簡單、安全分享，也代表著AI重塑未來教育的一種新形態(tài)。在進化過程中，考慮到AI可能會為人類教育帶來不利影響，我們應當對AI的能力進行常態(tài)化管控。約翰遜（Johnson）等強調(diào)，未來教育評價的核心在于明晰人與機器所擅長的領域各不相同，人類與AI的共同健康發(fā)展，取決于人類能否維持好人和AI在各自擅長的領域穩(wěn)健發(fā)展[52]。在這個過程中，我們需要不斷探索機器學習的深層原理，追求機器邏輯的合理解釋性，并確保人類的價值觀在與AI的共生演化中發(fā)揮主導作用，確保技術的發(fā)展方向與人類社會的長遠利益相一致。

三是通過高質(zhì)量人才培養(yǎng)服務教育強國建設。正如衛(wèi)炳江等所倡導的，AI技術的應用使得教育變得更加開放和多元化，使得任何人、在任何背景、任何人生階段隨時得到普惠的終身學習機會，建立起通向成功的階梯[53]。具體來看，智適應學習通過精細化的個性化學習路徑和策略，提升學生的能力，回應教育改革的需求。此外，AI技術的應用使得教育更加開放和多元化，為終身學習提供機會，促進教育公平，減輕學生和教師的負擔，并激發(fā)學生的創(chuàng)新能力。總之，通過智適應學習的推廣，中國在全球教育領域的地位將得到提升，為教育強國建設打下基礎。

五、結語

在大模型時代，由AIGC帶來的技術變革對教育產(chǎn)生深遠影響。在這個背景下，學生、教師、教育機構、政府等相關方都應該以嶄新的視角，重塑新形勢下對教育的理解。

就學習者而言，應該積極學習和體驗高新科技帶來的信息獲取方面的便利，以及大模型這一強大的廣博知識載體；同時將學習實踐與智適應學習等前沿技術深度結合，擁抱新式高效學習方法，不斷獲取開放式的啟發(fā)和思想解放，加快培養(yǎng)獨立思考與批判式思維能力。

就教師而言，可以利用AI來豐富自身知識的廣度和深度，并逐步改良傳統(tǒng)教育教學方法，摒棄“死記硬背”“生搬硬套”等模式，引導學生建立正確的學習觀，把主要精力集中到知識的本質(zhì)及內(nèi)在邏輯上，而非“分數(shù)至上”，著重培養(yǎng)學生“興趣導向”的主觀學習能動性。

就管理者而言，應把AIGC加持的智適應學習技術優(yōu)勢發(fā)揮到極致，重點研發(fā)“讓每個孩子都不一樣”的個性化學習系統(tǒng)，以最大可能地發(fā)掘學生的潛力，鼓勵學生建立長期自信，杜絕“天賦垮塌”。同時，要尤其注重學生情緒情感的感知，給學生提供周密的情感支持和壓力疏解渠道，增強學生的心理健康。此外，應加大對智適應學習領域的投入，鼓勵優(yōu)秀企業(yè)和學校大膽創(chuàng)新嘗試新的教育思路，為新興教育技術產(chǎn)品的研發(fā)和落地提供足夠的基礎保障，不斷地引導構建全行業(yè)的生態(tài)系統(tǒng)。

參考文獻：

[1]李鳳英，龍紫陽.從自適應學習推薦到自適應學習牽引模型——“智能+”教育時代自適應學習研究取向[J].遠程教育雜志，2020，38（6）：22-31.

[2]華經(jīng)情報.2022年中國自適應教育行業(yè)發(fā)展現(xiàn)狀及趨勢分析，自適應教育將得到更多人青睞，市場前景廣闊[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]頭豹研究院.2023中國AI技術變革企業(yè)服務白皮書[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，馮曉輝，等.人工智能在教育領域的發(fā)展態(tài)勢與思考展望[J].人工智能，2019（3）：15-21

[20]安永.智存高遠，適應未來——安永發(fā)布中國智適應學習行業(yè)白皮書[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]人民網(wǎng)研究院，松鼠Ai.1對1智能自適應學習系統(tǒng) [EB/OL].（2021-06-10）[2024-04-09].http：//yjy.people.com.cn/n1/2021/0610/c244560-32127923.html.

[23]新華社.習近平向國際人工智能與教育大會致賀信[EB/OL].（2019-05-16）[2024-04-09].https：//www.gov.cn/xinwen/2019-05/16/content_5392134.htm.

[24]羅振宇.認知是人和人之間的唯一壁壘[EB/OL].（2020-11-24）[2024-04-09].https：//open.163.com/newview/movie/free？pid=GH1JMFESGamp;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]于澤遠.2023年中國智能教育行業(yè)分析，市場規(guī)模及發(fā)展前景展望[EB/OL].（2023-04-23）[2024-04-09].https：//www.huaon.com/channel/trend/887992.html.

[31]觀研報告網(wǎng).中國自適應教育行業(yè)現(xiàn)狀深度研究與發(fā)展前景預測報告（2023—2030年）[EB/OL].（2023-05-01）[2024-04-09].https：//www.chinabaogao.com/baogao/202305/635577.html.

[32]武琳娜.寫在白山松鼠Ai建校一周年[EB/OL].（2020-11-10）[2024-04-09].https：//zhuanlan.zhihu.com/p/283834831.

[33]新華網(wǎng).利用人工智能自適應算法及優(yōu)勢 實現(xiàn)規(guī)模化因材施教[EB/OL].（2024-01-03）[2024-04-09].http：//education.news.cn/20240103/7c742190fd8a47098cbc39bfa9403c9c/c.html.

[34]延邊州科協(xié).AI老師是怎么改變鄉(xiāng)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]贛榆發(fā)布.松鼠Ai智適應系統(tǒng)：減負增效 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]乂學在線.松鼠Ai智適應學習CEO周偉在央視 “機智過人”欄目展示MCM系統(tǒng)[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]楊海燕，李濤.ChatGPT 教學應用：場景、局限與突破策略[J].中國教育信息化，2023，26（6）：126-134.

[46]韋恩·霍姆斯，孫夢，袁莉.人工智能與教育：本質(zhì)探析和未來挑戰(zhàn)[J].中國教育信息化，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]魯珀特·韋格里夫，張舒，袁莉.面向群體智能塑造未來教育：一項重要研究課題[J].中國教育信息化，2022，1（1）：4-10.

[52]馬克·約翰遜，金俞，崔新，等.人工智能與未來教育評價[J].中國教育信息化，2022，28（7）：3-9.

[53]衛(wèi)炳江，蘇福根，姚楠.由 ChatGPT 引發(fā)的人工智能推動教育變革的思考[J].中國教育信息化，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

編輯：王曉明 " 校對：李曉萍