自適應學習/智能化教學（Adaptive Learning/Adaptive Teaching）概念，伴隨上世紀70年人工智能概念而興起。在當時人們相信計算機終將獲得人類的自適應能力。一個基本前提假設是，自適應學習可以調整學生/用戶的學習方法/路徑，以幫助學生達到更有效的學習效果、獲得更好的體驗。
拆解自適應學習系統，一般包括四部分/四個模型：
專家模型。該模型存儲了要授予學生的信息/知識。
學生模型。該模型可以追蹤、學習學生行為數據。
指導/教學模型。該模型用以傳輸信息。
指導/教學環境。系統支持互動的用戶界面。
最初的自適應學習是基於相對簡單的邏輯樹/規則進行，現在商業化落地的自適應學習應用了更為複雜的AI算法（如無特別說明，文下均指後者）。
在70年代，自適應學習無法普遍落地的主要障礙有兩個，一是計算機成本高昂、體積龐大，並不適合落地，二是當時的用戶交互界面不利於學習過程。到現在，兩個障礙已經不存在，且其實現需要的算法、計算能力與數據基礎越加成熟，自適應學習逐漸在教育領域實現商業化落地——國內外都出現了頗有意思的初創公司，做教育的大公司也逐漸在自適應學習上投入技術資源（文末會引用並呈現國內外對應公司的版圖）。
一、自適應學習實現的基本邏輯
自適應學習與其他AI技術在教育的落地區分
自適應學習是基於AI相關算法技術實現的，在呈現自適應學習基本原理之前，先了解AI在教育中的全版圖落地，會有助於相對全面地判斷自適應學習實現的意義：它所處的位置在哪裡，角色的重要性如何。
借用艾瑞研究報告的整理，一圖看清自適應學習與AI其他技術落地在教育中的角色區分：
自適應學習與其他AI技術落地教育的場景有較明顯的區分，自適應學習更多解決教學的問題，在學生學習路徑、內容、能力探測與預測方面，更重在“內核”的影響，其他的更多在於“外在形式”或者工具輔助上，比如圖像識別下的搜題、語音交互上的對話等。
自適應學習落地基本流程
對自適應學習落地與其他AI技術落地教育角色區別有一個大致區分後，再回到自適應學習系統的實現原理。AI算法執行的一個基本流程是：數據輸入-計算分析-方案輸出。
自適應學習算法執行的基本流程同理，第一步是獲得訓練樣本（即訓練的數據，然後輸入）。然後對樣本進行特定模型訓練（即計算分析過程），在這一步，涉及的模型包括學科要素、教學方法/策略、學生認知特徵等要素。
訓練模型的用處在於與每個學生在學習時產生的數據（比如答題正確率、偏好、缺漏等等）對比，使學生的數據更接近理想模型。簡單點理解，就是讓學生進階至理想（比如高分）模型狀態，而實現這一點，就要基於學習數據推薦匹配的教學信息、方案幫助優化學生學習效率。
第三步是輸出方案，即推薦給學生學習的素材和路徑，或者是測評方案以及個性化分析判斷。
拆解教育產品環節，自適應學習的應用
教育環節可以分為：教學內容、教學、學習、練習、輔助測評、其他。應用環節如下圖：
教育環節對應的自適應需求，分別需要：
內容研發方面，需要比如認知科學、學習心理學、學科教研、教育測量學的配合。
教、學、練環節，需要數據與技術開發。數據供應端包括教學平臺、教學工具等；技術開發不僅是將目標學習人群的數據輸入，還要基於AI的多種技術算法實現自適應教、學、測等需求。
值得一提的是，現在自適應學習初創公司，分別在面向自適應管理、自適應測評、自適應練習環節切入，相對而言是較輕的。而在自適應學習教學、內容開發是難度較大，出現的明星公司有寥寥幾個，且集中在k12領域，教育行業其他賽道有待更多參與者探索。
自適應學習落地的兩個類型
瞭解完自適應學習的基本原理，來看看其落地教育的基本模式/類型。
基於教育環節的拆解，不難將練習、測評環節歸類為題庫類，這一類對應的是題庫、測評與作業類自適應公司。測、練、學、教的全過程要基於算法執行，以採集學生數據並實現優化效率的學習方案推薦等，這一類對應的是自適應系統服務商，比如為學校、企業提供自適應學習系統的公司等。
二、自適應學習在教育領域落地的價值
傳統的學習路徑相對而言，是單一的。比如教科書每一章節順序是固定的、每個年級的方案是固定區分的。所有學生統一路徑。但在自適應學習的應用下，新的學習、教學方案是立體多維的，智能算法可以基於每個學生的學習行為數據，形成個性化學習路徑。
對於學生而言，自適應可以提供個性化的學習方案，其好處在於：相對精準發現缺漏知識、並獲得補充方案；相對匹配水平的學習節奏。借用一家自適應教育公司的圖片，以作面向學生端的效果：
閱讀更多 芥末堆看教育 的文章
