自适应学习--人工智能时代的教育革命(第2版)

“得益于人工智能与自适应学习，自孔子以来两千年历史上第一次，我们可以有机会真正实现‘因材施教’的伟大教育理念。” 李韧以此论断锚定全书的逻辑起点，构建了一座连接教育哲学理想与技术工程实现的桥梁。该书在2019年第1版的基础上，吸纳了大语言模型（LLM）兴起后的最新讨论，是国内较早对自适应学习（Adaptive Learning）进行系统化、跨学科阐释的中文学术著作之一。 一、核心发现：从教育理念到可计算系统的范式转化 本书最关键的学术贡献，并非重申“AI将改变教育”这一泛化命题，而在于将“因材施教”这一延续两千年的教育理想，转化为由知识领域模型、学习者模型与教学模型三者协同运作的可计算系统框架。作者明确区分了“个性化学习”（教育理念）与“自适应学习”（技术路径）两个范畴，指出后者依托大数据与人工智能，使个性化教学“从模糊的经验变成精准的科学”。这一辨析具有重要的概念清理价值——在“智适应”“自适性”“区别式学习”等术语混用的学术语境中，本书援引Brusilovsky（1996）的经典定义及美国教育部教育信息化办公室的界定，确立了自适应学习系统的操作化内涵：通过采集学习者交互数据→建立动态学习者模型→依据模型调整内容与策略→突破“无显著差异”教育困境。 这一发现与国际学界对自适应学习系统（ALS）的结构共识高度一致。研究者普遍认为，ALS的三大核心组件——知识领域模型（学科知识图谱）、学习者模型（知识状态、认知风格、元认知水平等动态表征）、教学模型（基于前两者的策略推理与推荐）——构成其技术内核，其中学习者模型的精确性与鲁棒性被视为系统性能的关键瓶颈。本书对此进行了较为清晰的阐释，为后续中文研究提供了可资借鉴的基础框架。 二、主要观点：四重理论推进 第一，论证了自适应学习作为教育人工智能核心范式的合法性。 作者并未简单地将AI叠加于教育场景，而是论证了自适应学习何以“革命性地改进”教育人工智能：它通过实时反馈、动态调整与深度交互，克服传统“千人一面”的教学局限，并使“复制卓越教师”在理论上成为可能。这一论证与Corbett & Anderson（1994）提出的贝叶斯知识追踪（BKT）模型一脉相承——将不可直接观测的知识状态作为隐变量，通过行为数据逆向推断并动态更新。 第二，系统梳理了自适应学习的三大研究方向与核心技术。 本书第三章指出，自适应学习的研究沿三条主线展开：面向知识的自适应内容、面向学生的自适应序列、面向教师的自适应测评。技术实现上，作者重点介绍了项目反应理论（IRT）、贝叶斯网络、分层聚类等经典算法，并结合知识图谱、强化学习驱动的路径推荐等前沿方向，使全书兼具教材的系统性与专著的纵深性。 第三，辨析了通用大语言模型与专业自适应学习系统的功能边界。 这是第2版相较于第1版最具时代敏感性的理论推进。作者清醒地指出：ChatGPT类通用对话工具只能被动回应问题，无法持续追踪学习轨迹、精准定位知识短板、系统性规划学习路径；而专业的自适应学习系统依托完善的知识图谱与教学逻辑，能够完成“诊断—分析—干预”的完整闭环。这一判断与顾小清、刘桐（2024）提出的智适应学习五级成熟度模型（L1互联网教育→L5完全智适应）形成呼应——大模型与知识图谱的相互赋能，才是通向高级智适应的可行路径。 第四，重构了人工智能时代的教师角色与学生素养。 作者明确提出：AI不会取代教师，而是成为教师的辅助工具。AI承接作业批改、学情统计、资源推送等重复性劳动，教师则回归情感引导、思维培育与品格塑造。相应地，学生必须从“死记硬背”转向“学会学习”，培养批判性思维、创新实践等高阶能力。这一立场避免了“技术替代论”的极端叙事，也与学习科学领域关于人机协同的主流共识相一致。 三、重要贡献：理论、实践与方法论的三重价值 在理论层面，本书完成了对自适应学习作为独立研究领域的概念奠基与边界划分。它将认知心理学、学习科学、数据科学与教育技术融为一体，系统勾勒了自适应学习的发展谱系、底层算法与代表性开源系统（如OATutor），有助于消除“自适应学习=线上刷题=智能答疑”的常见误解。这种概念清理工作，对于当前中文教育技术学界“术语混杂、共识薄弱”的现状具有基础性学术意义。 在实践层面，本书兼具产业指南与政策参考的双重功能。第二章详细分析了Knewton、McGraw-Hill等全球头部产品的技术架构与商业模式，并列出自适应学习产品一览表；同时探讨了自适应学习在K-12与高等教育中的应用模式、课程设计及学校变革路径。这种“技术—产业—制度”三位一体的分析框架，对教育管理者和教育科技从业者具有直接的决策参考价值。 在方法论层面，作者坚持“技术服务于教育本质”的立场。结束语直面“我们为何会警惕、抗拒甚至恐惧技术改变教育”的深层追问，指出“技术乃是人类存在的方式，技术早已成就我们的教育”——这一哲学反思使全书超越了一般性的技术乐观主义宣言，体现了作者作为教育技术研究者的学术自觉。 四、批判性评估：贡献与局限 理论贡献的边界。 本书在概念辨析与体系建构上的贡献值得肯定，但其理论原创性仍以整合与引介为主，尚未提出具有突破性的新理论框架。对自适应学习层级的划分、对大模型与专业系统边界的辨析，更多是对国际前沿研究的本土化转译，而非原创性理论建构。此外，随着2024–2025年生成式AI与多模态大模型的爆发式演进，书中部分技术描述（如对自适应引擎的分析主要基于传统机器学习范式）面临时效性挑战——大语言模型作为“认知智能体”如何从根本上重塑学习者模型与教学模型的构造逻辑，本书虽有涉及但论述尚欠深度。 实践有效性的证据缺口。 本书敏锐指出了自适应学习当前面临的数据积累不足、知识模型不完善、推荐精准度有限等现实困境，但对这些局限的解决方案着墨较少，整体仍倾向于“技术渐进完善”的乐观预期。然而，国际范围内的实证研究并未提供充分的乐观证据。高等教育领域的一项范围综述（范围涵盖69项研究）显示：仅59%的研究报告了学业成绩的显著提升，41%报告无显著影响。北京大学汪琼等学者的研究亦指出，当前多数教育人工智能产品仍处于初级发展阶段，存在三大实践误区：过度依赖系统对学生的判断与帮扶、查漏补缺反而加重薄弱生学习负担、将自定步调重复学习等同于个性化学习。本书对这些负面证据的讨论明显不足，削弱了其论证的平衡性与说服力。 更深层的理论张力：技术适配与教育目的的错配。 人民论坛网（2025）的研究揭示了一个根本性问题：AI的核心是基于海量数据的模式识别与预测，聚焦于知识点掌握与分数提升；而教育的本质不仅在于知识传递，更关乎人格塑造、社会责任感、创新能力与价值观形成。若过度依赖AI的“短平快”测评与训练，可能冲淡对学生多元思维和探究能力的关注，导致对创造力、表达力、合作意识等“软技能”的系统性忽视。这一批评直指本书及整个自适应学习领域的深层张力——当我们越精准地在技术上“适配”学生，就越可能在价值上窄化教育的真正目的。本书虽在结语中有所反思，但未能将其上升为对自适应学习技术哲学的批判性检视。 结构性不平等的制度盲区。 本书对“智能鸿沟”的制度性反思相对薄弱。自适应学习系统所依赖的高质量数据、稳定基础设施与教师数字素养，恰恰是教育资源薄弱地区最为匮乏的要素。不同地区和学校间的资源差异可能因技术引入而加剧而非缩小教育不平等。这一结构性矛盾，本书虽有触及但未能充分展开，使得其对“教育公平”的论述停留于愿景层面。