自適應學習--人工智能時代的教育革命(第2版)

“得益於人工智能與自適應學習，自孔子以來兩千年曆史上第一次，我們可以有機會真正實現‘因材施教’的偉大教育理念。” 李韌以此論斷錨定全書的邏輯起點，構建了一座連接教育哲學理想與技術工程實現的橋樑。該書在2019年第1版的基礎上，吸納了大語言模型（LLM）興起後的最新討論，是國內較早對自適應學習（Adaptive Learning）進行系統化、跨學科闡釋的中文學術著作之一。 一、核心發現：從教育理念到可計算系統的範式轉化 本書最關鍵的學術貢獻，並非重申“AI將改變教育”這一泛化命題，而在於將“因材施教”這一延續兩千年的教育理想，轉化爲由知識領域模型、學習者模型與教學模型三者協同運作的可計算系統框架。作者明確區分了“個性化學習”（教育理念）與“自適應學習”（技術路徑）兩個範疇，指出後者依託大數據與人工智能，使個性化教學“從模糊的經驗變成精準的科學”。這一辨析具有重要的概念清理價值——在“智適應”“自適性”“區別式學習”等術語混用的學術語境中，本書援引Brusilovsky（1996）的經典定義及美國教育部教育信息化辦公室的界定，確立了自適應學習系統的操作化內涵：通過採集學習者交互數據→建立動態學習者模型→依據模型調整內容與策略→突破“無顯著差異”教育困境。 這一發現與國際學界對自適應學習系統（ALS）的結構共識高度一致。研究者普遍認爲，ALS的三大核心組件——知識領域模型（學科知識圖譜）、學習者模型（知識狀態、認知風格、元認知水平等動態表徵）、教學模型（基於前兩者的策略推理與推薦）——構成其技術內核，其中學習者模型的精確性與魯棒性被視爲系統性能的關鍵瓶頸。本書對此進行了較爲清晰的闡釋，爲後續中文研究提供了可資借鑑的基礎框架。 二、主要觀點：四重理論推進 第一，論證了自適應學習作爲教育人工智能核心範式的合法性。 作者並未簡單地將AI疊加於教育場景，而是論證了自適應學習何以“革命性地改進”教育人工智能：它通過實時反饋、動態調整與深度交互，克服傳統“千人一面”的教學侷限，並使“複製卓越教師”在理論上成爲可能。這一論證與Corbett & Anderson（1994）提出的貝葉斯知識追蹤（BKT）模型一脈相承——將不可直接觀測的知識狀態作爲隱變量，通過行爲數據逆向推斷並動態更新。 第二，系統梳理了自適應學習的三大研究方向與核心技術。 本書第三章指出，自適應學習的研究沿三條主線展開：面向知識的自適應內容、面向學生的自適應序列、面向教師的自適應測評。技術實現上，作者重點介紹了項目反應理論（IRT）、貝葉斯網絡、分層聚類等經典算法，並結合知識圖譜、強化學習驅動的路徑推薦等前沿方向，使全書兼具教材的系統性與專著的縱深性。 第三，辨析了通用大語言模型與專業自適應學習系統的功能邊界。 這是第2版相較於第1版最具時代敏感性的理論推進。作者清醒地指出：ChatGPT類通用對話工具只能被動回應問題，無法持續追蹤學習軌跡、精準定位知識短板、系統性規劃學習路徑；而專業的自適應學習系統依託完善的知識圖譜與教學邏輯，能夠完成“診斷—分析—干預”的完整閉環。這一判斷與顧小清、劉桐（2024）提出的智適應學習五級成熟度模型（L1互聯網教育→L5完全智適應）形成呼應——大模型與知識圖譜的相互賦能，纔是通向高級智適應的可行路徑。 第四，重構了人工智能時代的教師角色與學生素養。 作者明確提出：AI不會取代教師，而是成爲教師的輔助工具。AI承接作業批改、學情統計、資源推送等重複性勞動，教師則迴歸情感引導、思維培育與品格塑造。相應地，學生必須從“死記硬背”轉向“學會學習”，培養批判性思維、創新實踐等高階能力。這一立場避免了“技術替代論”的極端敘事，也與學習科學領域關於人機協同的主流共識相一致。 三、重要貢獻：理論、實踐與方法論的三重價值 在理論層面，本書完成了對自適應學習作爲獨立研究領域的概念奠基與邊界劃分。它將認知心理學、學習科學、數據科學與教育技術融爲一體，系統勾勒了自適應學習的發展譜系、底層算法與代表性開源系統（如OATutor），有助於消除“自適應學習=線上刷題=智能答疑”的常見誤解。這種概念清理工作，對於當前中文教育技術學界“術語混雜、共識薄弱”的現狀具有基礎性學術意義。 在實踐層面，本書兼具產業指南與政策參考的雙重功能。第二章詳細分析了Knewton、McGraw-Hill等全球頭部產品的技術架構與商業模式，並列出自適應學習產品一覽表；同時探討了自適應學習在K-12與高等教育中的應用模式、課程設計及學校變革路徑。這種“技術—產業—制度”三位一體的分析框架，對教育管理者和教育科技從業者具有直接的決策參考價值。 在方法論層面，作者堅持“技術服務於教育本質”的立場。結束語直面“我們爲何會警惕、抗拒甚至恐懼技術改變教育”的深層追問，指出“技術乃是人類存在的方式，技術早已成就我們的教育”——這一哲學反思使全書超越了一般性的技術樂觀主義宣言，體現了作者作爲教育技術研究者的學術自覺。 四、批判性評估：貢獻與侷限 理論貢獻的邊界。 本書在概念辨析與體系建構上的貢獻值得肯定，但其理論原創性仍以整合與引介爲主，尚未提出具有突破性的新理論框架。對自適應學習層級的劃分、對大模型與專業系統邊界的辨析，更多是對國際前沿研究的本土化轉譯，而非原創性理論建構。此外，隨着2024–2025年生成式AI與多模態大模型的爆發式演進，書中部分技術描述（如對自適應引擎的分析主要基於傳統機器學習範式）面臨時效性挑戰——大語言模型作爲“認知智能體”如何從根本上重塑學習者模型與教學模型的構造邏輯，本書雖有涉及但論述尚欠深度。 實踐有效性的證據缺口。 本書敏銳指出了自適應學習當前面臨的數據積累不足、知識模型不完善、推薦精準度有限等現實困境，但對這些侷限的解決方案着墨較少，整體仍傾向於“技術漸進完善”的樂觀預期。然而，國際範圍內的實證研究並未提供充分的樂觀證據。高等教育領域的一項範圍綜述（範圍涵蓋69項研究）顯示：僅59%的研究報告了學業成績的顯著提升，41%報告無顯著影響。北京大學汪瓊等學者的研究亦指出，當前多數教育人工智能產品仍處於初級發展階段，存在三大實踐誤區：過度依賴系統對學生的判斷與幫扶、查漏補缺反而加重薄弱生學習負擔、將自定步調重複學習等同於個性化學習。本書對這些負面證據的討論明顯不足，削弱了其論證的平衡性與說服力。 更深層的理論張力：技術適配與教育目的的錯配。 人民論壇網（2025）的研究揭示了一個根本性問題：AI的核心是基於海量數據的模式識別與預測，聚焦於知識點掌握與分數提升；而教育的本質不僅在於知識傳遞，更關乎人格塑造、社會責任感、創新能力與價值觀形成。若過度依賴AI的“短平快”測評與訓練，可能沖淡對學生多元思維和探究能力的關注，導致對創造力、表達力、合作意識等“軟技能”的系統性忽視。這一批評直指本書及整個自適應學習領域的深層張力——當我們越精準地在技術上“適配”學生，就越可能在價值上窄化教育的真正目的。本書雖在結語中有所反思，但未能將其上升爲對自適應學習技術哲學的批判性檢視。 結構性不平等的制度盲區。 本書對“智能鴻溝”的制度性反思相對薄弱。自適應學習系統所依賴的高質量數據、穩定基礎設施與教師數字素養，恰恰是教育資源薄弱地區最爲匱乏的要素。不同地區和學校間的資源差異可能因技術引入而加劇而非縮小教育不平等。這一結構性矛盾，本書雖有觸及但未能充分展開，使得其對“教育公平”的論述停留於願景層面。