近日，美国一家主打“个性化”自适应学习的数学课后辅导产品KnowRe获680万美元A轮融资，引发了不少人对自适应学习的兴趣，那什么是自适应学习呢，自适应学习的发展前景又如何呢？今天，我们就一起来看看国外自适应学习的发展状况。

如果在线学习环境能通过收集学生的实时学习能力数据来自适应学生的个性化需求，那会是怎样一番情境呢？我们不再根据整个班级的平均学习进度来集中学习，而是每个学生都可以在自己想学的时间里自定步调进行学习。这对一些学生来说，意味着能在更短时间里完成学习，而对另外一些学生来说，则意味着需要在学习上花更多的时间了。

自适应学习通过工具和技术使学习个性化。典型的在线学习环境是通过一个学习管理系统（Learning Management System）来实现，它假定所有学生的起始水平都一样并要求所有学生统一学习步调，而自适应学习系统的设计则是基于学习者的信息来改编其学习内容。自适应学习系统可以根据学生的学习偏好递送定制化的学习内容，也能利用预备测验使学生就某一课程的某一部分进行测试，或是基于学生在每个学习步骤中的行为来递送量身定制的学习服务。基于学生与学习内容的交互，自适应学习系统可以自动修改学习内容的表现形式，使得学习可以根据每个学生的能力水平实现定制化。自适应学习软件让在线学习从传统课堂模式进化为一个能360度分析学习者内容并与之互动，而且能提供更多个性化教学服务及学习参与机会的学习环境。

学习环境与自适应技术的结合可以支持学生以新的方式来学习。在自适应系统中，那些对所学知识过于自信的学生能很快认识到她的不足并且可以得到纠正和指导以弥补其学习的差距。而对于那些不是那么自信的学生则会发现自己比想象中进步更快，因为系统会根据学生掌握的学习内容来调整其学习步调。同时，自适应系统还可以指导学习落后的学生去学习，并为其提供与之薄弱知识点相适应的补充学习资源，而不仅仅是一般的提醒式学习支持服务。

将自适应学习软件整合到在线课堂有助于缓解学生个人学习准备的问题，这种方式能够为学生提供基础知识以及学习缺口分析，也不会增加教师的额外负担。自适应学习使得学生的学习个性化，它可以评估学生现有知识的掌握情况，指导学生进行知识补救、强化或是学习下一相关知识点，同时，学生可以构建一个类似于游戏情境的基础学习技能，在这个情境里内容专家已经列出了自适应工具中的所有教学选项。在自适应系统中，通过多种评估方式，尤其是小样本评估，学生可以获得即时反馈，而指导教师在能够更有效地个性化指导学生的同时还能监控整个班级的学习进展并进行相应调整。学生与自适应软件交互产生的数据具有多方面的价值：对学生的价值在于学生自我意识的唤起；对教师的价值在于能进行重点辅导和反馈；给予如辅导教师般的学习支持服务；对教育机构而言，能更好理解学生对于课程、指导和学习支持的需求。

新的自适应学习模型和支撑软件的出现，为学生提供了多样的学习支持服务并取得了良好的效果。如以Knewton自适应技术为依托的Pearson MyLabs这类的在线工具资源，它不仅能为学生提供根据其学习诊断而定制的学习内容，还能为教师提供关于学生学习进度的监督仪表盘。Knewton和亚利桑拿州立大学的一个合作项目显示，数学课程的通过率增加了18%，退课率降低了47%。里奥萨拉多学院也和Person及Knewton开展了一个合作项目，该项目基于Pearson提供的MyWritingLab系统进行了个性化学习试点，目前已有一些社区学院加入该项目，并将MyWritingLab工具整合到他们的写作课程中并且已经看到了成功率的提高。

卡内基梅隆大学基于学习科学研究的开放学习计划(Open Learning Initiative，简称OLI)，开拓了在线课程的认知辅导模式。早在1984年，教育学家布鲁姆的研究就发现，学生的学习成果与结合了辅导、形成性评价和及时反馈的教学环境显著相关。而近些年在“智能导师”方面的研究也表明，智能导师与传统一对一导师的教学效果几乎一致。

在马里兰大学（UMUC），研究者在几门本科课程中成功地展开了开放学习计划（OLI）的试点。在一个本科统计课程中，由同一个教师教授同一课程的两个章节，在OLI试点的章节中得A和B的学生达59.38%，对照组则只有41.67%。在生物课程的小样本评估中，学生获得A或B的比例与活动完成的百分比显著正相关。在结业评估中，所用使用OLI平台的章节都始终高于课程中的其他章节的平均水平。

目前，马里兰大学（UMUC）正在积极调研和评估自适应学习工具与学术模型的整合。新的学习与学生成才创新中心正致力于研发和评估前沿的学习和学术支撑模型。研究者也正在评估2015年将进行自适应学习的试点，期望的结果是可以减少学生在本科一年级课程中的辍学率、退课率和挂科率。该试点实验将会试用一些最具潜力的自适应软件，并基于工具特性去满足学生及课程的需求。

自适应学习平台为学生提供了一种更为聚焦和个性化的学习方式，他们无需被迫去学习自己已经掌握了的概念（即可以实现按需学习，而不是传统的“大锅饭”式的学习模式）。它同时还能提供基于学习科学的课程设计方法，随着时间的推移，自适应软件收集到的数据就可以用来改善课程设计。同样，它还能让高校和学生自己去定义需要修改或强化的最为常见的知识点，而这所有信息都将被用来提升和改善教学和支持模型。

上述所提到的自适应案例均是以研究为目的的小样本学术实验，并都验证了自适应学习的有效性假设。基于这样的研究结果，我们是否可以思考这样一个问题，自适应给学习带来的改变到底是什么，自适应后学生的学习就会更有效么？

编者以为，自适应做的工作其实就是提供非学术性学习支持服务，它相较于传统的学习支持服务的最大区别在于自适应学习把服务做的更精致了，依赖自适应技术，我们可以实现学习资源的定点投放，并能对各类学习行为迅速地做出实时反馈，同时这些数据又能重新塑造出学习者模型或成为课程改进依据。自适应学习改变的是学习要素中的学习支持这一要素，一方面，可以减少传统学习中重复学习、无效学习等给学生所带来的认知负荷，另一方面，又为改善教育教学提供数据支撑。