自适应学习

专家模型存储了有关正在被教授的材料的信息。这可以像一些简单的信息，例如问题集的答案库，也可以包括课程和教程。 更复杂的系统甚至包括说明解题思路的专家方法。

不包含专家模型的自适应学习系统通常将这些功能结合在教学模型中。

确定学生技能水平的最简单的方法是嵌入CAT(计算机化自适应测试)。在CAT，学习者会收到很多问题，问题的挑选基于与该学习者的假定技能水平相关的难易程度。随着测试的进行，根据他们的作答，计算机调整学生的得分，并通过不断缩小问题的难度范围，微调评分。

CAT式评估的算法比较易于实现。通过专家分析、实验和两者结合，一个有大量问题的数据库得到扩充和评估。计算机本质上执行的是二进制搜索。计算机总是给学习者一个问题，该问题介于计算机确定的该学习者的最大和最小可能技能水平之间。然后将这些级别调整到问题难度的级别。如果学习者回答正确，则重新生成最小值。如果学习者回答不正确，则重新生成最大值。显然，必须要设定一个误差范围，以避免学习者的答案有时候不一定指示其真实技能水平、而仅仅是巧合的情况。从一个难度级别提出多个问题可以大大降低误导性答案的可能性，并且设定一个允许超出假定的技能水平的范围，可以弥补可能出现的误差评估。

一个如何识别学生对概念理解方面的弱点的扩展，是对学生模型进行编程分析不正确的答案。 这尤其适用于多项选择题。 请参看以下示例：

问：简化 ${\displaystyle 2x^{2}+x^{3}}$

a)不能被简化

b) ${\displaystyle 3x^{5}}$

c)...

d)...

显然，回答（b）的学生在把不同指数的两项相加， 没能正确掌握公式各项的概念。 在这种情况下，错误的答案不仅只是说明学生答错了， 而且提供了更多的信息。

教学模型通常建议将最佳的教育科技工具（例如多媒体演示）与专家教师的意见相结合。教学模型的复杂程度在很大程度上取决于学生模型的复杂程度。在CAT式学生模型中，教学模型将简单地根据问题库的等级对课程进行排名。当学生的水平得到满意的确定后，教学模式将提供适当的课程。更高级的学生模型需要一个基于概念评估的教学模型，该模型也按概念组织课程。教学模型可以设计来分析学生弱点的集合并相应地定制课程计划。

学生模型评估错误答案的时候，有的系统会以“提示”的形式提供对实际问题的反馈。当学习者犯错时，系统会弹出有用的建议，例如“仔细查看数字的正负号”。 这也属于教学模型的范畴，基于概念弱点而提供提示。提示也可以基于特定问题。在这种情况下，学生模型、教学模型和专家模型是重叠的。

自适应学习系统可以在互联网上实现远程学习和小组合作。[7]

远程学习现在已融入了自适应学习的各个方面。 最初的远程系统没有自适应学习的功能，只是给学生一套预选问题库，并自动正确与否的反馈给学习者。 然而，这种方法缺乏教室中教师可以提供的指导。目前的远程学习趋势要求使用自适应学习，在学习环境中实现智能动态行为。

在学习者学习新概念的过程中，他们会对自己的能力进行测试，数据库会使用其中一种模型跟踪他们的进度。最新一代的远程学习系统参考了学习者的答案，并使用一种名为“认知支架”的概念来自动确认学生的认知能力。认知支架是自动学习系统根据已证实的认知能力，创建从最低到最高的评估认知路径的一种能力。[8]

目前成功在网络远程学习中实施自适应学习的案例是皇家墨尔本理工大学的网络学习系统（WebLearn）的枫叶引擎（Maple）。[9] WebLearn足够先进，可以对学生提出的问题进行评估， 即使这些问题没有像在数学领域那样有唯一答案。

自适应学习可以促进远程学习环境（如论坛或资源共享服务）中的团队协作。[10] 自适应学习如何促进协作的一些例子，例如具有相同兴趣的用户的自动分组；基于用户提出的兴趣或用户的上网习惯，实现信息源链接的个性化等。

2014年，一位教育研究人员完成了一项针对教育游戏设计的自适应学习的多年研究。该研究开发并验证了ALGAE（自适应学习游戏设计）模型，这是一种基于游戏设计理论和实践、教学策略和自适应模型的综合自适应学习模型。该研究扩展了之前在游戏设计、教学策略和自适应学习方面的研究，将这三者组合成一个复杂的模型。

该研究开发了一种适应性教育游戏设计模型，它成为游戏设计师、教学设计者和教育者的指南，旨在提高学习成果。调查参与者验证了ALGAE模型的价值，并提供了有关模型构建、使用、效益和挑战的具体见解。目前的ALGAE模型基于这些见解，并成为教育计算机游戏设计和开发的指南。

该模型可以实现跨行业应用，包括政府和军事机构/单位、游戏产业和学术界。 随着ALGAE模型的应用变得更加广泛，模型的实际价值和实施方法（聚焦或非聚焦）将得到充分实现。[11]

• Adobe Captivate
• Qualtrics