和其他的在线教育创业公司相比，Knewton最大的特征是其强大的自适应学习算法。这套算法系统能够更准确地判断用户真实水平，为用户推荐与其水平相适应的学习课程。Knewton通过不断的提问和测试判断学习者的真实水平，老师再为用户提供与之水平相适合的课程辅导。在Knewton平台上如果学习者在测试过程中遇到困难，系统就会不断的降低测试难度，直到用户可以掌握的知识水平。同样如果用户水平很高，Knewton就会不断的增大测试题目难度，直到用户遇到学习困难。从亚利桑那州立大学的课堂反馈来看，Knewton确实起到了很好的效果，很多学生都能按定计划前完成学习任务，掌握所学知识。

基于精通掌握的Knewton适应性学习

怎样才算是掌握了所学知识？Knewton适应性学习是基于学习者对特定领域知识精通的学习，并且认为学习者可以通过成功地完成一系列给定的试题、实验或者活动提升自身对于课程内容的掌握程度，而不是凭借花费时间的多少。Knewton在线适应性学习将人们的视线引向了精通掌握的灵活学习上来，如Knewton Math Readiness创造了一个自我学习的指导学习环境，并围绕着分组话题给学生实时的优化指导。系统根据每个学生的个人学习路径和方式的不同提供视频、在线教材以及课程问题等课程，并且持续地评估学生的掌握程度并且作出调整，学生通过获得课程奖励实现进步，进入到下一轮的学习。Knewton平台为一个学生学习所要安排的内容，包括在线传送给学生的学习部分和在实体设备储存部分，这样可以控制学生学习的时间、地点、路径以及步调，而不是把所有学生的学习进度都是一致的来分配内容，也不能依据学习者的学习时间来推荐内容。

实时反馈+社区与合作+游戏化强化学生的注意力和满足感

Knewton适应性学习还有一个假设是通过增加自信，减少不适合沮丧，能够改善学生的参与效果和培养学生高效的学习习惯；同时及时反馈、分组协作和游戏化模式可以提升学生的注意力和兴趣。Knewton连续的适应性学习能够以多选择模式和自由试题反馈两种方式及时给学生发送个性化的反馈，保证学生不会失去注意力，或者能够快速的自我修正。这将引起学生学习的步调实现迭代发展和快速学习。适应性学习系统能够建构一个学习社区组织来改善学生的课程参与度。例如，Knewton Math Readiness根据学生使用的教材的不同将学生进行一级分组，再根据学生作业互查机制和学生的能力反馈结果进行二级分组，使得每组的组员的能力可以互补。适应性课程与游戏有着很多的共同点，所有学生都可以展示自身技能和反馈的机会。还有，适应性课程用一种游戏的方式悬疑性地逐步增加作业的难度，过关式地进入下一个要学习的层次。强化多种游戏元素可以将适应性课程真正的转换为游戏性的学习体验。

教师应用对整个学习过程有敏感的洞察力

Knewton适应性学习让老师能够对学习过程，特别是学习效率，参与程度以及知识的记忆力有较好的洞察力。老师可以掌握学生在整个课程中活动和表现的模式，也可以深入研究一个学生的学习概览来判断是什么让这个学生的学习变得痛苦。

一、观察学生多样的学习需求

目前，学生需求的多样性增加了老师和学校的管理难度，学生多样性越大则需要考虑的需求就越多。Knewton适应性学习让老师可以强调学生的多样性需求，同时观察学习进程。例如，系统能够发现一个学生在数学单词方面有问题是因为它在阅读理解方面有缺陷；系统就会指导老师进行教授特定的关于语法和词汇的材料，并建议老师应该对于这个学生在这些方面进行单独辅导的方式。然后，如果系统发现有个学生在理解数学概念上没有问题但是却在处理数学计算上很粗心，老师就会被通知这个学生应该受到关于如何增加估算能力和答题后检查的建议。老师然后可以精确地指导学生，并让其了解自己存在的问题。

二、了解与改善课程学习的内容

如果通过指导面板能够测量内容被学习的效率如何，那么老师就可以根据效果分析挖掘教学材料的好的或差的方面。Knewton适应性学习能够帮助老师精准地掌握他们正在教授的以及评估的是什么样的内容。这样能够保证这些内容能够被分析，并且实现调整改善，这样不会让学生因为过时的或者低效率的材料而遭遇学习障碍。

在Knewton技术平台上，学习材料开始适应性地满足每个学生独特的学习需要。同时，学生可以生成大量有价值的数据，Knewton通过分析这些数据，确保学生保持最有效、最高效的学习方式。个性化学习是未来教育的一个关键点，Knewton的技术为整个行业进入个性化教育新时代书写了浓墨重彩的一笔。